Los Colabs de este curso están desactualizados y se quitarán en julio de 2024.
Práctica de AA: Clasificación de imágenes
Comprueba tu comprensión: Convolución
Se aplica un filtro convolucional de 3×3 de dos dimensiones a un mapa de atributos de entrada de 4×4 de dos dimensiones (sin padding agregado):
¿Cuál es la forma del mapa de atributos de salida?
3x3
Si bien el filtro en sí es de 3×3, el mapa de atributos de salida es más pequeño porque hay menos de 9 (3 veces 3) ubicaciones posibles en las que se puede colocar el filtro en el mapa de atributos de entrada de 4×4.
Todoterreno
Para generar un mapa de atributos de salida con las mismas dimensiones que el mapa de atributos de entrada sin relleno, el filtro convolucional debe tener una forma de 1 x 1. Un filtro mayor que 1 × 1 producirá un mapa de atributos de salida que sea más pequeño que el mapa de atributos de entrada. Debido a que nuestro filtro es 3×3, el mapa de atributos de salida debe ser menor que 4×4.
2x2
Cuando el filtro de 3×3 se desliza sobre el mapa de atributos de 4×4, se descubren 4 ubicaciones únicas en las que se puede ubicar, lo que resulta en un mapa de atributos de salida de 2×2:
Salvo que se indique lo contrario, el contenido de esta página está sujeto a la licencia Atribución 4.0 de Creative Commons, y los ejemplos de código están sujetos a la licencia Apache 2.0. Para obtener más información, consulta las políticas del sitio de Google Developers. Java es una marca registrada de Oracle o sus afiliados.
Última actualización: 2022-09-27 (UTC)
[null,null,["Última actualización: 2022-09-27 (UTC)"],[[["Applying a 3x3 convolutional filter to a 4x4 input feature map without padding results in a 2x2 output feature map."],["The output feature map is smaller than the input because the filter's size limits the number of positions it can occupy on the input."],["A 1x1 filter would be required to maintain the input's dimensions in the output without padding."]]],[]]
