Objetivo: entender convolução, canais, pooling e campo receptivo.
Uma camada densa ignora a estrutura espacial e multiplica rapidamente os parâmetros. Uma convolução aplica o mesmo pequeno kernel a todas as posições. Esse compartilhamento de pesos explora a localidade e reduz fortemente o número de parâmetros.
Para uma entrada C_in × H × W, um kernel C_out × C_in × K × K contém
C_out(C_in K² + 1) parâmetros com viés, independentemente do tamanho da imagem.
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)),
)Pré-visualização — o resto da lição está reservado aos inscritos.
O seu acesso está ligado à sua conta, não a esta ligação. Inicie sessão com o mesmo e-mail usado na aula: o seu curso está à espera, não precisa de introduzir o código de novo.
Iniciar sessãoAinda não tem conta? Criar umaOs primeiros módulos do curso são de acesso livre. Para o resto há três possibilidades: comprar este curso de uma vez por todas, subscrever, ou introduzir o código entregue na aula.