Lección 7 del módulo “Redes Convolucionales” del curso Fundamentos de Deep Learning con Python.
En las lecciones anteriores hablamos del filtro o kernel y de las operaciones básicas usadas en una Red Convolucional: la convolución, el padding y los strides.
Con esto estamos listos para extender el principio de la convolución a imágenes con múltiples canales de entrada, como es el caso de las imágenes RGB, que son precisamente las imágenes más usadas en la práctica.
Veamos entonces qué modificaciones realizar a la convolución vista originalmente para este tipo de volúmenes.
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 la idea básica de la convolución aplicada a imágenes RGB o a volúmenes. La idea básica es que calculamos la convolución individual con cada plano y luego combinamos los resultados para obtener un sólo mapa de características. Y con esto ya hemos logrado extender la convolución a imágenes con múltiples canales, es decir a volúmenes.
Pero resulta que también podemos usar no sólo uno sino múltiples kernels para procesar dicho volumen. Así que en la próxima lección veremos cómo realizar la convolución con múltiples filtros.
Todas las lecciones del curso Fundamentos de Deep Learning con Python.