Lección 6 del módulo “Redes Convolucionales” del curso Fundamentos de Deep Learning con Python.
En la lección anterior hablamos del padding, una operación que evita reducciones drásticas en la imagen resultante tras la convolución.
En esta lección hablaremos de los strides, otra operación que permite reducir el tamaño del mapa de características resultante, y que, al igual que el padding, es muy usado en la implementación práctica de Redes Convolucionales.
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.
Bien, acabamos de ver cómo en la convolución básica, el stride (o tamaño del salto) es 1, pero se pueden usar strides mayores (2, 3, etc.) para obtener una imagen resultante más comprimida. Un mayor stride reduce por tanto el tamaño del mapa de características resultante en la Red Convolucional.
Así que hasta este punto hemos visto el filtro o kernel y las operaciones básicas usadas en una Red Convolucional: la convolución, el padding y los strides.
La idea ahora es ver situaciones más generales, es decir cuando por ejemplo tenemos imágenes con múltiples canales (como las imágenes RGB) o cuando usamos múltiples kernels para su procesamiento.
Así que en la próxima lección veremos el primero de estos casos: la convolución en imágenes con múltiples canales de entrada (volúmenes).
Todas las lecciones del curso Fundamentos de Deep Learning con Python.