Capa de pooling

Clase 11 de 25 • Curso de Redes Neuronales Convolucionales con Python y Keras

Tomas Dale

student•

ESTE CURSO ESTA ASOMBROSO, ME COSTO AL INICIO, PERO ME ESTA ABRIENDO A GRANDES POSIBILIDADES.

Y QUE TAL UN MODELO QUE DETECTE LA POSIBILIDAD DE QUE UNA PERSONA ESTA NERVIOSA AL ENTRAR A UN SUPEMERCADOS, PODRIA TENER MAS PROBABILIDAD DE ROBAR UN ARTICULO, O POR EJEMPLO COMO ES LA REACCION SI AL ENTRAR VE UNA IMAGEN DE UNA AUTORIDAD, COMO SE MUESTRA EN SU ROSTRO. CLARO QU ESA IMAGEN SERIA UN TRIGGER A UNA EMOCION, Y ESA IMAGEN DEBE IRSE CAMBIANDO CON EL TIEMPO.. PODER DETECTAR EMOCIONES CON IMAGENES.

Alarcon7a

student•

asi es.... computer vision tiene un mundo de salidas y aplicaciones

Tomas Dale

student•

RESUMEN

padding = 'same' aumenta linea alrededor para que posicion 1,1 puede ser procesada mas de 1 vez

Luego se aplica lo contrario con MaxPooling

Reduce en imagen la linea alrededor
Ademas que elimina el ruido
El mas comun es el parametro MAX

Jorge Aurelio Valdez Osorio

student•

Sabemos si hay casos conde ave4rage pooling tiene mejores resultados que el max pooling y viceversa? (por ejemplo en clasificacion multitag, o clasificacion binaria)

Alarcon7a

student•

Por practica siempre he obtenido mejores resultados con max pooling, pero quiza existan datasets que convergen mejor con avg

Robert Yesid Barrios Acendra

student•

Esto es cuestión de puro empirismo. Como ellos son hiperparámetros, son perijas de un TV viejo para sintonizar y dar con la imagen más nítida posible. Toca probar, puro ensayo y error. Hay unas normas de con cuál hiperparámetro empezar a tunear, pero al final es una cuestión empírica.

Andres Gutiérrez Castillo

student•

Capa de pooling

A medida que se avanza en la profundidad de la red van aumentando el número de imágenes generadas por los filtros y por lo tanto el número de img a procesar lo que ocasionara una sobrecarga de computación.

Para esto la capa de pooling nos servirá para disminuir el tamaño de las imágenes resultantes de la convolución gracias a un kernel (mas usados son: max[conserva el pixel mas alto de un grupo de pixeles] y avarage[saca el promedio de un grupo de pixeles]) que realizara una operación de agrupamiento. Gracias a esta operación se reduce el ruido mientras se conserva las características más importantes de la imagen.

En resumen, mientras avancemos en las capas de la CNN:

Se ira aumentando el número de canales en la imagen (imágenes resultantes de convolución)
Se ira disminuyendo el tamaño de las imágenes debido a la capa de pooling.

Estas 2 operaciones permitirán detectar resaltar objetos específicos en una imagen, sin tener problemas de computación.

Jhon Freddy Tavera Blandon

student•

La capa de pooling es una capa fundamental en las redes neuronales convolucionales que se utiliza para reducir la dimensionalidad de las características extraídas por las capas convolucionales, así como para hacer que la representación sea más invariante a las pequeñas traslaciones de la entrada. Hay varias formas de capas de pooling, pero la más común es la capa de Max Pooling.

image = tf.constant([[1, 2, 3, 4],
                     [5, 6, 7, 8],
                     [9, 10, 11, 12],
                     [13, 14, 15, 16]], dtype=tf.float32)


Resultado después de la capa de Max Pooling:
[[ 6.  8.]
 [14. 16.]]

Alberto Roman Ramos Rodriguez

student•

Desde la convolución básica al Max Pooling es en plan que se hace el zoom out y bajando la resolución.

Sneider Narvaez

student•

La capa de pooling también es llamada capa de agrupación. Mira esto

Mario Alexander Vargas Celis

student•

### Capa de Pooling en Redes Neuronales Convolucionales (CNN)

Las capas de **pooling** son un componente fundamental en las **redes neuronales convolucionales (CNN)**. Su función principal es **reducir las dimensiones espaciales** (anchura y altura) de los mapas de características generados por las capas convolucionales, manteniendo las características más importantes. Al hacer esto, se reduce la cantidad de parámetros en la red, lo que ayuda a **prevenir el sobreajuste** y mejora la eficiencia computacional.

### Tipos de Pooling

Existen dos tipos principales de capas de pooling:

1. **Max Pooling (Agrupación máxima):**

Selecciona el valor máximo de una ventana de entrada, destacando las características más importantes.

2. **Average Pooling (Agrupación promedio):**

Calcula el valor promedio de los valores dentro de la ventana, generalizando la información.

### Max Pooling vs Average Pooling:

- **Max Pooling** es más común en la práctica, ya que permite que la red se concentre en las características más prominentes.

- **Average Pooling** es útil cuando se quiere retener más información general, en lugar de solo los picos de activación.

### ¿Cómo funciona la capa de Pooling?

En una capa de pooling, se aplica una ventana (normalmente de 2x2) sobre el mapa de características, y se desplaza por la imagen de acuerdo con el **stride** (normalmente stride=2). En el caso de **max pooling**, dentro de cada ventana se selecciona el valor máximo, reduciendo así el tamaño de la imagen de entrada a la mitad (si el stride es 2).

### Ejemplo de Max Pooling

Supongamos que tienes un mapa de características de entrada de tamaño 4x4 y aplicas una operación de **max pooling** con una ventana de 2x2 y un stride de 2.

Mapa de características de entrada (4x4):


\[\[1, 3, 2, 4],

&#x20;\[5, 6, 1, 2],

&#x20;\[8, 9, 4, 1],

&#x20;\[3, 7, 5, 6]]

Aplicando max pooling (tomamos el valor máximo en cada ventana 2x2):


\[\[6, 4],

&#x20;\[9, 6]]

### Ejemplo en código con TensorFlow/Keras


import tensorflow as tf

import numpy as np



\# Creamos una imagen de ejemplo de 4x4 con un solo canal

input\_image = np.array(\[\[\[\[1], \[3], \[2], \[4]],

&#x20;                        \[\[5], \[6], \[1], \[2]],

&#x20;                        \[\[8], \[9], \[4], \[1]],

&#x20;                        \[\[3], \[7], \[5], \[6]]]], dtype=np.float32)



\# Definimos el tensor de entrada

input\_tensor = tf.constant(input\_image)



\# Aplicamos la capa de MaxPooling2D con una ventana de 2x2 y un stride de 2

max\_pool\_layer = tf.keras.layers.MaxPooling2D(pool\_size=(2, 2), strides=2)



\# Aplicamos la capa de pooling a la entrada

output = max\_pool\_layer(input\_tensor)



\# Mostramos la salida

print("Entrada:")

print(input\_image.reshape(4, 4))  # Formateamos para visualizar mejor



print("\nSalida después de MaxPooling2D:")

print(output.numpy().reshape(2, 2))  # Salida tras aplicar max pooling

### Salida del código:


Entrada:

\[\[1. 3. 2. 4.]

&#x20;\[5. 6. 1. 2.]

&#x20;\[8. 9. 4. 1.]

&#x20;\[3. 7. 5. 6.]]



Salida después de MaxPooling2D:

\[\[6. 4.]

&#x20;\[9. 6.]]

### Explicación:

- La entrada es un tensor de 4x4 con un canal.

- La operación de **max pooling** con una ventana de 2x2 y un stride de 2 selecciona el valor máximo en cada sub-matriz 2x2 de la imagen.

- El tamaño de la imagen de salida es reducido de 4x4 a 2x2, conservando las características más destacadas.

### Beneficios de la Capa de Pooling

1. **Reducción de dimensionalidad:** Al reducir el tamaño de los mapas de características, la red es más eficiente y requiere menos memoria.

2. **Menor riesgo de sobreajuste:** Con menos parámetros, hay menor posibilidad de que la red se ajuste excesivamente a los datos de entrenamiento.

3. **Retención de características importantes:** La agrupación máxima, en particular, conserva las características más destacadas de cada región.

### Conclusión

Las capas de pooling, especialmente el **Max Pooling**, son esenciales en las CNN para reducir el tamaño de los datos, preservar características importantes y mejorar la eficiencia computacional.

Francisco Franco

student•

En las redes neuronales convolucionales una operación común es el Pooling, su objetivo es reducir las dimensiones espaciales (anchura y altura) de las características extraídas, es decir disminuir la complejidad, manteniendo al mismo tiempo la información más relevante. Esto ayuda a disminuir el número de parámetros y el costo computacional, además de controlar el sobreajuste. Los más comunes son el Máximo (max pooling) y el promedio (average pooling).

Angel Ojeda

student•

Sinceramente, este curso me parece increíblemente didáctico, claro y conciso. ¡Increíble Curso!😀😀😀😀

Daniel Fernando Murcia Perdomo

student•

Seria muy interesante ver hasta que punto es suficiente una capa de pooling, es decir reducir tanto que ya sea dificil tener diferencias notarias.

import tensorflow as tf

import numpy as np

\# Creamos una imagen de ejemplo de 4x4 con un solo canal

input\_image = np.array(\[\[\[\[1], \[3], \[2], \[4]],

&#x20;                        \[\[5], \[6], \[1], \[2]],

&#x20;                        \[\[8], \[9], \[4], \[1]],

&#x20;                        \[\[3], \[7], \[5], \[6]]]], dtype=np.float32)

\# Definimos el tensor de entrada

input\_tensor = tf.constant(input\_image)

\# Aplicamos la capa de MaxPooling2D con una ventana de 2x2 y un stride de 2

max\_pool\_layer = tf.keras.layers.MaxPooling2D(pool\_size=(2, 2), strides=2)

\# Aplicamos la capa de pooling a la entrada

output = max\_pool\_layer(input\_tensor)

\# Mostramos la salida

print("Entrada:")

print(input\_image.reshape(4, 4))  # Formateamos para visualizar mejor

print("\nSalida después de MaxPooling2D:")

print(output.numpy().reshape(2, 2))  # Salida tras aplicar max pooling

Capa de pooling

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

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

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