Conteúdo do curso Lição 112 de 246 · Módulo 10: Redes que veem (CNNs)
Módulo 10: Redes que veem (CNNs)

Convolução manual

Por que isso importa Um pequeno conjunto de pesos, deslizado pela imagem inteira, encontra o mesmo padrão em todo lugar. Essa única ideia conserta o que você acabou de ver quebrar.

Veja isso

Rode a animação. Uma grade 3 por 3 de pesos, o filtro, fica no canto superior esquerdo da imagem. Multiplique cada um dos 9 pixels embaixo dele pelo peso em cima dele e some tudo: isso é um número de saída. Deslize um passo para a direita e faça de novo. Quando o filtro tiver passado por todas as posições, as saídas formam uma nova imagem, um pouco menor, chamada mapa de features.

Números pequenos

O filtro [[-1, 0, 1]] * 3 rows responde a mudanças de brilho da esquerda para a direita: em um trecho escuro à esquerda e claro à direita, ele dá um número positivo grande; em um trecho uniforme, dá 0. É um detector de bordas, e em uma CNN esses filtros são aprendidos, não escritos à mão.

Filtro (kernel): a pequena grade de pesos. Convolução válida: só as posições em que o filtro cabe inteiro dentro da imagem, então uma imagem n por n e um filtro k por k dão (n - k + 1) por (n - k + 1).

Palavras e símbolos nesta lição
convolução
deslizar uma pequena grade de pesos (um filtro) pela imagem, um produto escalar por posição
filtro, mapa de features
a pequena grade de pesos aprendida; e a imagem das respostas dela
Sua vez

Escreva conv2d(img, k): convolução válida (do tipo deep learning, que não inverte o filtro) de uma imagem 2D com um filtro 2D, usando laços sobre as posições de saída.

Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição

Este exercício abre em breve

Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.