Para el ejercicio propuesto
- Bordes horizontales.
- matriz del kernel totalmente en ceros.
- kernel de Emboss mediante la pagina interactiva.
Redes convolucionales y su importancia
La importancia del computer vision
¿Qué herramientas usaremos para redes neuronales convolucionales?
¿Qué son las redes convolucionales?
Mi primera red neuronal convolucional
Creando nuestra primera red convolucional
Entrenando nuestra primera red convolucional
Manejo de imágenes
Consejos para el manejo de imágenes
Manejo de imágenes con Python
Fundamentos de redes neuronales convolucionales
Kernel en redes neuronales
El kernel en acción
Padding y Strides
Capa de pooling
Arquitectura de redes convolucionales
Quiz: Fundamentos de redes neuronales convolucionales
Resolviendo un problema de clasificación
Clasificación con redes neuronales convolucionales
Creación de red convolucional para clasificación
Entrenamiento de un modelo de clasificación con redes convolucionales
Optimización de red neuronal convolucional
Data augmentation
Aplicando data augmentation
Callbacks: early stopping y checkpoints
Batch normalization
Optimización de modelo de clasificación
Entrenamiento de nuestro modelo de clasificación optimizado
Quiz: Optimización de red neuronal convolucional
Resolviendo una competencia de Kaggle
Clasificando entre perros y gatos
Entrenamiento del modelo de clasificación de perros y gatos
Resumen y siguientes pasos
Siguientes pasos con redes neuronales convolucionales
Comparte tu proyecto de clasificación con redes convolucionales y certifícate
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Aportes 12
Preguntas 1
Para el ejercicio propuesto
El kernel es una matriz que se desliza desde la esquina superior izquierda hasta la esquina inferior derecha, paso por paso, hasta terminar toda la imagen, haciendo una operación matemática llamada convolución.
Es importante destacar que los kernels en las redes neuronales convolucionales se aprenden durante el proceso de entrenamiento. A medida que la red neuronal aprende a reconocer patrones y características en los datos de entrenamiento, los valores del kernel se ajustan para maximizar el rendimiento de la red.
En resumen, el kernel en una red neuronal convolucional es una matriz o filtro que se utiliza para extraer características específicas de una imagen o una capa de características mediante la operación de convolución.
jajajaja me confundi creyendo que las operaciones de la tercera columna incluian la ‘x’ y ha sido multiplicacion jajajajajjaaja
Gran explicación todo perfectamente claro y preciso 😄
Kernel en redes neuronales
Redes neuronales tienen una componente principal conocida como filtros, también llamados kernel.
Las maquinas usualmente entienden las imágenes como pixeles, números contenidos en un sistema matricial en su ancho y su largo.
El ** Kernel** es simplemente una matriz. Este funciona de la siguiente manera:
Se va movilizando desde la esquina superior izquierda hasta la esquina inferior derecha, paso por paso hasta completa toda la imagen haciendo una pequeña operación matemática llamada “** convolución**”
La ** convolución**: muy parecida al procedimiento del producto punto, esta se ubica la parte superior izquierda de la imagen y se va moviendo paso a paso ejecutando una operación matemática de multiplicación para empezar a obtener datos y patrones por cada fila y columna que compone la imagen.
El resultado de esta compondrá una nueva imagen con ciertas características, como por ejemplo: “los bordes verticales”. El objetivo de la convolución es empezar a obtener datos y patrones
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?