Los núcleos se usan en capas convolucionales para extraer características. Básicamente son filtros que aplica en una pequeña región de la imagen.
Se implementan como matrices, el núcleo “se mueve” por encima de los datos de entrada y en cada paso se calcula el producto de punto entre el núcleo y la subregión de la matriz de entrada debajo, el resultado de todo el proceso es una matriz de los productos de punto .
/main-qimg-dcab9c722a5d0261b6f983834202beae.png)
- ¿Cuál es la intuición detrás de las expectativas en el aprendizaje automático?
- ¿Cuál es el estado del arte del sistema de recomendación para 2016?
- ¿Cuáles son los próximos desafíos posibles para que DeepMind de Google fascine al mundo?
- ¿Existen las redes neuronales de Markov?
- ¿Qué nos hace diferentes de los robots biomecánicos?
la matriz azul claro es la entrada, el área sombreada es el núcleo, la matriz verde es la salida
Los granos se aprenden durante el entrenamiento, al igual que los pesos en una capa convencional.
Fuente y artículo interesante para leer: tutorial de aritmética de convolución
