Objetivo: entender convolución, canales, pooling y campo receptivo.
Una capa densa ignora la estructura espacial y multiplica rápidamente los parámetros. Una convolución aplica el mismo pequeño núcleo a todas las posiciones. Este reparto de pesos explota la localidad y reduce fuertemente el número de parámetros.
Para una entrada C_in × H × W, un núcleo C_out × C_in × K × K contiene
C_out(C_in K² + 1) parámetros con sesgo, independientemente del tamaño de la imagen.
from torch import nn
features = nn.Sequential(
nn.Conv2d(3, 32, kernel_size=3, padding=1),
nn.BatchNorm2d(32),
nn.ReLU(),
nn.MaxPool2d(2),
nn.Conv2d(32, 64, kernel_size=3, padding=1),
nn.ReLU(),
nn.AdaptiveAvgPool2d((1, 1)),
)Vista previa: el resto de la lección está reservado a los inscritos.
Tu acceso está vinculado a tu cuenta, no a este enlace. Inicia sesión con el mismo correo que usaste en clase: tu curso te espera, no hace falta volver a introducir el código.
Iniciar sesión¿Aún no tienes cuenta? Crear unaLos primeros módulos del curso son de acceso libre. Para el resto hay tres opciones: comprar este curso de una vez, suscribirte, o introducir el código entregado en clase.