Padding
Stride
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
Si ya tienes una cuenta,
No se trata de lo que quieres comprar, sino de quién quieres ser. Aprovecha el precio especial.
Antes: $249
$209
Paga en 4 cuotas sin intereses
Termina en:
15 Días
8 Hrs
23 Min
14 Seg
Padding y Strides
10/25Recursos
Aportes 10
Preguntas 2
Ordenar por:
ESTE CURSO LO LLEVO DESPACIO, PERO ES INCREIBLE COMO ESTOY APRENDIENDO, MUCHISIMAS GRACIAS PROFE, GRACIAS PLATZI POR ESTOS CURSOS
Padding y Strides
Son dos tipos de hiper parámetros que pertenecen a las capas de convolución.
El kernel es considerado por muchos como el hiper-parámetro de referencia de la convolución ya que puede especificar qué tipo y tamaño de Kernel se va a manejar para hacer la convolución de la imagen.
Padding
Es un margen que se le agrega a la imagen para que al momento de realizar la operación de convolución la imagen resultante no reduzca su tamaño. Se utilizan 0 para que no altere las características de las imágenes original.
Stride
Es el tamaño del paso en cada convolución. Entre más grande sea el paso menor será la imagen resultante.
Como se implemente en la capa de convolución?
- Invocas la capa de convolución que deseas utilizar
- Filters: cuantos Kernel’s voy a utilizar
- Kernel_size: el tamaño de la matriz
- Strides: que se reciben como una tupla en la cual el primer parámetro registra el movimiento hacia los lados y el segundo, su movimiento hacia arriba o hacia abajo
- Padding: recibe en un array dos valores “valid” y “same”.
Si se selecciona same, entonces Keras automáticamente se encarga de todos los hiper-parámetros para que el padding sea lo suficientemente grande, tanto para que la imagen de entrada como la de salida sean exactamente las mismas y no se pierda ningún dato durante el proceso.
Si se selecciona “valid”, entonces no aplica el “padding”. Al momento de pasar el filtro tomara el primer hasta el último pixel original de la imagen pero esto resultara en una imagen más corta en ancho y largo.
Padding:
Si deseas obtener un mapa de características de salida con las mismas dimensiones espaciales que la entrada, puedes utilizar el relleno (padding). El relleno consiste en agregar un número adecuado de filas y columnas a cada lado del mapa de características de entrada para permitir que se ajusten ventanas de convolución centradas alrededor de cada casilla de entrada.
En las capas Conv2D, el relleno se configura mediante el argumento “padding”, que acepta dos valores: “valid”, que significa sin relleno (se utilizarán solo ubicaciones de ventanas válidas); y “same”, que significa “rellenar de manera que la salida tenga el mismo ancho y alto que la entrada”. El argumento de relleno se establece de forma predeterminada en “valid”.
Strides:
La distancia entre dos ventanas sucesivas es un parámetro de la convolución, llamado paso (stride), que por defecto es 1. Es posible tener convoluciones con pasos (strides) mayores que 1. Usar un paso de 2 significa que el ancho y la altura del mapa de características se reducen a la mitad (además de cualquier cambio inducido por los efectos de los bordes). Las convoluciones con pasos (strides) no se utilizan con frecuencia en la práctica, aunque pueden ser útiles para algunos tipos de modelos; es bueno estar familiarizado con el concepto.
Para reducir el tamaño de los mapas de características, en lugar de utilizar pasos (strides), tendemos a utilizar la operación de max-pooling.
Extraido de : Deep Learning with Python “Francois Chollet”
En este ejemplo no estamos usando padding exactamente, pero vale la pena ver el resultado.
Si en la imagen de la anterior clase utilizamos un kernel bastante grande, como este:
s = 205
kernel = np.zeros((s, s))
kernel[s-1][s//2] = 1
Podemos obtener varios resultados dependiendo de como definimos que rellene las filas de los límites.
Padding (Relleno)
Hay dos tipos comunes de relleno
Valid Padding (Relleno válido)
- No se agrega ningún píxel adicional a la imagen de entrada. Esto puede provocar que la salida de la convolución sea más pequeña que la entrada, especialmente en los bordes.
Same Padding (Relleno del mismo tamaño)
- Se agrega suficiente relleno para que la salida de la convolución tenga el mismo tamaño que la entrada. Esto se logra agregando píxeles con un valor de relleno (generalmente cero) alrededor de la imagen.
Relación entre Padding y Strides:
El relleno y los pasos afectan tanto el tamaño como la forma de la salida de la convolución. La fórmula general para calcular el tamaño de la salida de la convolución es:
Tamaño de salida = ((Tamaño de entrada - Tamaño del kernel + 2 * Relleno) / Pasos) + 1
Ajustar adecuadamente el relleno y los pasos es importante para controlar el tamaño y la resolución de la salida de la convolución y garantizar que la red neuronal pueda aprender representaciones útiles de los datos.
\### \*\*Padding\*\* y \*\*Strides\*\* en Redes Neuronales Convolucionales (CNN)
Las \*\*redes neuronales convolucionales (CNN)\*\* utilizan dos conceptos clave para controlar cómo se aplican los filtros a las entradas: \*\*padding\*\* y \*\*strides\*\*. Ambos conceptos influyen en el tamaño de las salidas y en cómo se mueven los filtros a lo largo de la imagen de entrada.
\### \*\*1. Padding\*\*
El \*\*padding\*\* se refiere al proceso de añadir píxeles adicionales alrededor del borde de la imagen de entrada antes de aplicar el filtro convolucional. Esto se hace para controlar el tamaño de la salida y prevenir la pérdida de información en los bordes.
\#### Tipos de Padding:
\- \*\*Sin padding (valid padding):\*\* No se añaden píxeles adicionales. Esto reduce el tamaño de la imagen de salida, ya que el filtro solo se aplica a las áreas donde puede encajar completamente.
\- \*\*Padding (same padding):\*\* Se añaden píxeles para asegurarse de que la salida tenga el mismo tamaño que la entrada. Esto es útil para mantener las dimensiones originales de la imagen.
\#### Ejemplo:
Si tienes una imagen de tamaño 5x5 y aplicas un filtro de 3x3 sin padding, la imagen de salida será de 3x3 (menor que la original). Con padding, la imagen de salida podría ser de 5x5.
\*\*Ejemplo de código:\*\*
```python
import tensorflow as tf
\# Imagen de entrada de 5x5x1
input\_image = tf.random.normal(\[1, 5, 5, 1])
\# Aplicamos una convolución sin padding (válido)
conv\_layer\_no\_padding = tf.keras.layers.Conv2D(filters=1, kernel\_size=3, padding='valid')
output\_no\_padding = conv\_layer\_no\_padding(input\_image)
print("Tamaño de salida sin padding:", output\_no\_padding.shape) # Salida de 3x3
\# Aplicamos una convolución con padding (mismo tamaño)
conv\_layer\_with\_padding = tf.keras.layers.Conv2D(filters=1, kernel\_size=3, padding='same')
output\_with\_padding = conv\_layer\_with\_padding(input\_image)
print("Tamaño de salida con padding:", output\_with\_padding.shape) # Salida de 5x5
```
\### \*\*2. Strides\*\*
El \*\*stride\*\* define cuántos píxeles se mueve el filtro a lo largo de la imagen de entrada cada vez que se aplica. El valor por defecto del stride es 1, lo que significa que el filtro se mueve un píxel a la vez. Un \*\*stride\*\* mayor permite mover el filtro más rápido y reduce el tamaño de la imagen de salida.
\#### Ejemplo:
Si aplicas un filtro de 3x3 con un \*\*stride de 1\*\*, el filtro se moverá un píxel a la vez y generará una salida más detallada. Si aplicas un \*\*stride de 2\*\*, el filtro se moverá dos píxeles a la vez, reduciendo el tamaño de la salida.
\*\*Ejemplo de código:\*\*
```python
\# Imagen de entrada de 5x5x1
input\_image = tf.random.normal(\[1, 5, 5, 1])
\# Aplicamos una convolución con stride de 1
conv\_layer\_stride\_1 = tf.keras.layers.Conv2D(filters=1, kernel\_size=3, strides=1, padding='valid')
output\_stride\_1 = conv\_layer\_stride\_1(input\_image)
print("Tamaño de salida con stride 1:", output\_stride\_1.shape) # Salida de 3x3
\# Aplicamos una convolución con stride de 2
conv\_layer\_stride\_2 = tf.keras.layers.Conv2D(filters=1, kernel\_size=3, strides=2, padding='valid')
output\_stride\_2 = conv\_layer\_stride\_2(input\_image)
print("Tamaño de salida con stride 2:", output\_stride\_2.shape) # Salida de 2x2
```
\### \*\*Combinando Padding y Strides\*\*
Puedes combinar \*\*padding\*\* y \*\*strides\*\* para ajustar tanto el tamaño como la forma en que se procesan las imágenes. El \*\*padding\*\* te ayuda a controlar si la salida tendrá el mismo tamaño que la entrada, mientras que los \*\*strides\*\* ajustan cómo se aplica el filtro.
\### \*\*Conclusión\*\*
\- \*\*Padding\*\* ayuda a mantener el tamaño de la imagen y prevenir la pérdida de información en los bordes.
\- \*\*Strides\*\* controlan la velocidad con la que el filtro se mueve a través de la imagen, afectando el tamaño de la salida.
El correcto uso de \*\*padding\*\* y \*\*strides\*\* es crucial para controlar las dimensiones y el rendimiento de los modelos de CNN.
**Dos conceptos muy importantes en las redes neuronales convolucionales son los Padding** y **strides, estos** afectan cómo se aplica la convolución a las imágenes de entrada.
Padding se refiere a la adición de bordes alrededor de la imagen de entrada antes de aplicar la convolución.
Strides se refiere al paso con el cual se desplaza el filtro durante la convolucion.
Carlos que genial, tus explicaciones!
Padding: es un margen que se le agrega a la imagen para que al momento de realizar la operación de convolución la imagen resultante no reduzca su tamaño. Se utilizan 0 para que no altere las características de las imágenes original.
Stride: Es el tamaño del paso en cada convolución. Entre mas grande sea el paso menor será la imagen resultante.
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?