3.5 - El Padding

Lección 5 de la sección “Redes Convolucionales” del curso Fundamentos de Deep Learning con Python.

Introducción

En la lección anterior hablamos de la convolución, la operación que permite comparar el kernel con la imagen que se está procesado, y que a su vez da el nombre a las Redes Convolucionales.

Como vimos, la convolución genera imágenes de salida más pequeñas que la original. En esta lección hablaremos del padding, que evita reducciones drásticas en esta imagen resultante, y que se trata de una operación muy usada al momento de implementar Redes Neuronales.

Contenido exclusivo suscriptores

Suscríbete para tener acceso al video con la explicación detallada de esta lección. Además podrás disfrutar de todos los cursos de la Academia Online

El padding: principio de funcionamiento

El padding consiste simplemente en agregar ceros al borde de la imagen original antes de realizar la convolución.

Con esto, al realizar la convolución, no se eliminarán los bordes de la imagen original y adicionalmente el tamaño resultante será mayor que aquel obtenido sin el padding.

Usualmente, al momento de implementar Redes Convolucionales, se agrega el mismo padding (la misma cantidad de ceros) en todos los bordes de la imagen.

Contenido exclusivo suscriptores

Recuerda suscribirte para acceder al video con la explicación detallada de esta lección. Además podrás disfrutar de todos los cursos de la Academia Online

Conclusión

En últimas como hemos visto, el padding permite incrementar el ancho y el alto del mapa de características resultante tras la convolución.

En la próxima lección hablaremos de otra operación igualmente muy usada en la implementación de las Redes Convolucionales: los strides.

Ver todas las lecciones de este curso