Lección 10 del módulo “Redes Convolucionales” del curso Fundamentos de Deep Learning con Python.
En la lección anterior hablamos del pooling y vimos cómo esta operación permite reducir la redundancia de información espacial en la imagen procesada. Con esto ya tenemos todos los elementos para definir la arquitectura de una Red Convolucional.
Como veremos a continuación, una Red Convolucional típica combina el principio de funcionamiento de una Red Neuronal con los conceptos de filtro o kernel, convolución, padding, strides y pooling para, de forma eficiente, extraer características relevantes de una imagen o volumen.
Veamos entonces cómo combinar estos ingredientes en lo que se conoce como una Red Convolucional.
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
¡Perfecto, esto es una Red Convolucional!
Ya hemos visto cómo interconectar todos los elementos vistos hasta el momento en la arquitectura básica de una Red Convolucional que nos permite pasar de una imagen original a una salida numérica correspondiente, por ejemplo, a un clasificador.
En las próximas lecciones comenzaremos a ver diferentes arquitecturas de Redes Convolucionales que son referentes en la actualidad. En particular, en la próxima lección comenzaremos hablando de LeNet, la red precursora de todas las Redes Convolucionales existentes en la actualidad.
Todas las lecciones del curso Fundamentos de Deep Learning con Python.