- O que são convoluções na CNN?
- Como funcionam convoluções?
- Quais são as características da Rede Neural de Convolução?
- Como funcionam as redes neurais convolucionais?
O que são convoluções na CNN?
Convolução é uma operação matemática que permite a fusão de dois conjuntos de informações. No caso da CNN, a convolução é aplicada aos dados de entrada para filtrar as informações e produzir um mapa de recursos. Este filtro também é chamado de kernel ou detector de recursos, e suas dimensões podem ser, por exemplo, 3x3.
Como funcionam convoluções?
Uma convolução converte todos os pixels em seu campo receptivo em um único valor. Por exemplo, se você aplicar uma convolução a uma imagem, estará diminuindo o tamanho da imagem, além de reunir todas as informações no campo em um único pixel. A saída final da camada convolucional é um vetor.
Quais são as características da Rede Neural de Convolução?
A rede neural convolucional é composta por vários blocos de construção, como camadas de convolução, camadas de agrupamento e camadas totalmente conectadas, e foi projetado para aprender automaticamente e adaptativamente hierarquias espaciais de recursos através de um algoritmo de retropropagação.
Como funcionam as redes neurais convolucionais?
A rede neural convolucional CNN funciona obtendo uma imagem, designando -a alguma peso com base nos diferentes objetos da imagem e depois distinguindo -os um do outro. A CNN requer muito poucos dados de pré-processo em comparação com outros algoritmos de aprendizado profundo.