RDAG CAP02 2025 VA03 CNN CONCEITOS E PRINCIPIOS

Como uma ceninha ele funciona.

Antes de mais nada, é importante entender
como que a entrada para esse tipo de rede

é formada,
que é justamente a composição de imagem.

Aqui nós temos uma representação
de uma imagem

clássica, ou nós temos aqui uma diferença
entre linhas e colunas

na matriz de linhas e colunas
em três dimensões.

Cada dimensão
é um canal de cor dessa imagem.

Geralmente é vermelho, verde e azul.

Isso compõe a função RGB de uma imagem.

Basicamente,
nós temos pixels que vão de zero

até dois
cinco cinco em cada célula dessa imagem

em cada um dos canais, e a soma deles
resulta na imagem final.

A cor final que nós vemos na tela.

Por exemplo, nessa representação
nós temos o número oito feito à mão.

Então é uma imagem esticadinha
sobre esse número oito e à mão.

Nós temos aqui a representação
pixel pixel dessa imagem.

O zero é a cor preta e O255
é a cor branca.

Existe uma série de variações
desses valores, que são no caso,

uma escala de cinza.

E aqui na terceira parte
nós temos a matriz de pixels,

onde temos o valor de cada pixel
em cada posição, até possível entender

como está a localização
do oito nessa imagem.

Então, para a
máquina poder aprender essa representação,

ela tem que aprender a mistura de borda
diferença desses valores

para uma aresta
e para uma bolinha aqui de cima.

Uma bolinha aqui de baixo que está
compondo a técnica visual do número oito.

Então, numa CNN,
a camada de entrada se conecta

diretamente a cada pixel das imagens.

Agora, como ela extrai
características dessas imagens?

A operação principal que dá nome
a CNN e a convolução a convolução,

operação matemática que representa a soma
de produto de dois duas funções.

Aqui no caso, uma função vai ser expressa
pelo dado pela imagem, por exemplo.

E outra função é uma matriz de pesos
que tá representando a important

de cada parte da imagem
na representação daquele conteúdo.

Vamos entender isso pela própria imagem.

Então aqui nós temos uma representação de
uma arquitetura profunda baseada em CNN.

Temos a camada de entrada
e a camada de saída,

essencialmente a parte da CNN de fato,

e da camada de entrada
até quase antes da saída,

porque é uma parte da rede utilizada
para a extração de filtros,

que são operação de convolução,
sendo passada

por cada uma das partes dessa imagem.

Essa convolução gera uma
um input para a próxima camada que faz uma

nova convolução sobre a camada anterior
e assim sucessivamente.

O que eu está aprendendo
são representações diretamente da imagem,

como por exemplo arestas, cantos

e depois coisa mais alto nível,
como variação de cor,

variação de textura ou então
combinação de partes que formam um todo.

Então o olhinho ou focinho
que representa a cara de um cachorro,

um ponteiro, o número
que representa a dimensão de um relógio.

Quando nós chegamos
nas últimas camadas com os sinais,

nós vamos ter um vetor
com alguma dimensão.

Então, por exemplo, 4096
ou outro número relevante,

isso alimenta
uma rede neural artificial clássica

que aprende a distinguir
o que significa esse dado, ou seja,

esse vetor de 4000 dimensões representa
que tipo de imagem pode ser um cachorro.

Essa outra, esse outro vetor
que representa uma outra imagem,

significa o que é um gato, uma flor.

E assim vai até a máquina
conseguir aprender

como distinguir uma imagem da outra.

Se o cerne da questão é uma convolução,
é muito importante

nós entendermos como a convolução
funciona.

Nós podemos entender

uma convolução como uma janela deslizante
que está passando pela imagem de entrada.

A primeira convolução é fácil
de ser entendida porque está pegando uma

janela de uma dimensão específica
e deslizando pela imagem como um todo

e saindo informações parciais
de cada parte dessa imagem.

Essa imagem resultante,
que não é bem uma imagem,

mas algo tridimensional, que representa
os pixels não mastigados, serve de entrada

para uma outra camada com o sinal
que estamos numa outra janela deslizante.

Cada janela dessa
pode ser um peso diferente

que representa a importância

daquela região da imagem para caracterizar
o seu elemento principal,

ou seja, a principal classe presente
naquela imagem.

Vamos entender o processo
pela forma diagrama.

Para simplificar, imagine uma imagem bem
pequenininha aqui de quatro por cinco,

com alguns valores aqui, zeros
e uns que indicam um pixel qualquer.

E nós temos aqui uma matriz menor
que apresenta um peso a ser aprendido,

que representa uma janela dois por dois.

Então essa janela vai deslizar
pela imagem.

Quando nós passamos pela primeira
região, nós vamos multiplicar

os pixels dessa imagem

pelo peso dessa matriz
que representa esse valor.

Três Quando eu faço um passinho por lado,

essa multiplicação dessa parte do pixel
pelo peso da matriz

representa um outro valor condensado
que é o três e assim sucessivamente.

Nós dando pulinhos nessa janela ou para
a direita ou para baixo em duas dimensões.

Quando nós percorremos toda a imagem,
nós vamos ter

uma imagem resultante
que tem essa característica.

Se nós queremos plotar
a imagem de entrada,

vamos conseguir entender
o seu significado.

A imagem de saída,

Essa convolução é algo que é difícil
de ser interpretado pelo ser humano,

mas a máquina consegue entender
que tem uma informação relevante para ela.

Ou seja, alguns.

Os pixels foram mastigados para condensar
informação importante

para caracterizar a qual classe
aquela imagem de entrada pertence.

De forma intuitiva,
você pode pensar o seguinte

se a minha janela for muito pequena
e ou se uma imagem for muito grande,

esse filtro convencional
pode gerar uma outra matriz muito grande.

Ou seja,

será que isso pode não ser eficiente
para representar aquele conteúdo?

Muito
provavelmente não será tão eficiente.

Portanto, outra operação tão importante
quanto a convolução é o pulling.

o porém representa uma sumarização
de uma parte dessa imagem resultante,

digamos assim.

Então, essa região representada
por esse quadrado aqui em vermelho,

pode ser simbolizada pelo pixel
mais importante que essa região.

Por exemplo, o seu maior valor em três.

Quando eu pego essa outra região aqui,
o maior valor desse pixel é um

dessa outra região.

O maior valor é o dois
e dessa outra região maior.

O valor presente é um.

Portanto, aquela imagem que entrou de três
por quatro ficou reduzida.

É uma imagem, ou melhor,
uma matriz de dois por dois.

Esse é apenas um dos tipos de pura
que existem que é o Max.

Porém, nós podemos trabalhar também
com Every de pulling, ou seja,

aqueles picos daquela região.

Nós fazemos a média deles
e levamos essa média adiante.

Agora que a primeira convolução
e o pulo foi aplicado,

essa matriz resultante serve de entrada
para a próxima operação de convolução

e depois um pulo e depois outro.

Convolução e depois um pulo.

Ou então outros arranjos, como diversas
convolução sucessivas.

Terminamos em uma operação de público.

Ou seja, tem uma regra para construir
essa arquitetura própria de CNN

Sim não a regra
para otimizar conversões e pulling,

mas o encadeamento entre

elas pode ser uma definição que você
vai montar na sua própria criatura.

no entanto, existem outras configurações
que podem ser feitas

para tornar esse aprendizado mais robusto,
ou se ele tentar aprender

mais nuances dessas imagens,
como por exemplo o pede e também o string.

O pede está justamente

relacionado a evitar a perda de informação
que está na borda da imagem com você.

Essa imagem original está aqui
nessa região em azul.

É naturalmente visível
que quanto mais a gente está deslizando

pela imagem,

a informação do centro tende a ser
mais valorizada para essa ação de filtros,

sendo que a informação que está na borda
tende a ser ignorada.

Quando nós fazemos ou pede, estamos
colocando como se fossem pixels falsos

em volta da imagem para simular uma imagem
um pouco maior.

Assim, a borda que é perdida
vai ser uma borda

que de fato seria irrelevante.

Outra estratégia interessante

é o sprite, que diz justamente
o tamanho do passo da janela deslizante.

Pela imagem podemos pensar menor ou maior.

E essas são apenas duas configurações
possíveis na montagem sua arquitetura.

Fora isso,

você pode pensar quantas convulsões,
quantos pulinhos, qual, além deles também

e outros até que ajudam a deixar a rede
mais especializada, mais rápida

ou até mais específica a um tipo de dado
que você queira construir.

Com isso, nós podemos ter outros tipos

de redes neurais profundas baseadas em CNN

a partir de uma rede tradicional,
digamos assim.

Nós podemos ter imagens
de outras características principais,

como por exemplo,
as que estão na imagem a seguir.

Partindo de uma rede tradicional,
digamos assim, podemos pensar

numa rede mais ampla,
que possui uma janela de entrada maior,

uma rede mais profunda,
que possui mais camadas convencionais

e ou de pool e uma rede de maior resolução
que está preparada para trabalhar

com imagens de maior resolução de fato,
ou seja, imagens maiores.

Dadas estas e outras configurações,
não é de se admirar que existem diversas

arquiteturas neurais profundas
para se trabalhar com scene.

Ou seja, diversas propostas de regionais
baseadas em CNN

foram surgindo ao longo do tempo, cada uma
com suas caraterísticas peculiares.

Por exemplo.

Se o tamanho da imagem representa
a quantidade de parâmetros

a ser aprendido no treinamento,
temos redes muito grandes,

muito profundas.

Eles não tão profundas
assim, redes que possuem um desempenho

muito bom na imagem net
e outras que exigem

uma quantidade muito grande de operações
serem feitas por segundo.

Agora, qual dessa criatura melhor
se adequa ao seu problema?

Depende de uma série de questões,
como por exemplo

qual é o ambiente funcional
onde você vai treinar?

E os aspones?

Qual é o conjunto de dados que você vai
utilizar, se algo mais específico

ou geral, ou até mesmo o tamanho de dados
que você tem para treinar essas redes.

Portanto,
a melhor saída é sempre a experimentação