Lección 4 del módulo “Redes Convolucionales” del curso Fundamentos de Deep Learning con Python.
En la lección anterior hablamos del filtro o kernel, que resulta siendo el elemento esencial de una Red Convolucional pues permite extraer diferentes características de la imagen que está procesando.
Pero para lograr extraer dichas características es necesario aplicar la convolución entre la imagen y el filtro, lo que en últimas equivale a una comparación entre estos dos elementos y que arroja como resultado el mapa de características esperado.
En esta lección veremos en detalle en qué consiste esta convolución.
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.
¡Muy bien! Acabamos de ver en qué consiste la convolución y cómo esta, junto con los valores específicos de los coeficientes del filtro, permite extraer diferentes características de la imagen a procesar.
Y lo interesante de estos coeficientes del filtro es que en el caso de las Redes Convolucionales estos valores se «aprenden» través del entrenamiento, ¡tal como ocurría con los coeficientes de una Red Neuronal!
Lo anterior quiere decir que ¡podemos aprovechar los mismos conceptos vistos en la sección anterior acerca de las Redes Neuronales, para la implementación y entrenamiento de las Redes Convolucionales! Pero esto lo veremos poco a poco a lo largo de este módulo.
Así que en la siguiente lección continuaremos profundizando en los diferentes elementos que conforman una Red Convolucional y hablaremos específicamente del padding, una operación que nos permite preservar el tamaño de la imagen una vez es procesada por el filtro, y que resulta de mucha utilidad en diferentes fases de implementación de las Redes Convolucionales.
Todas las lecciones del curso Fundamentos de Deep Learning con Python.