Konvolusi: Kernel Meluncur di Atas Piksel
Bagaimana filter mendeteksi tepi dan tekstur
Konvolusi: Kernel Meluncur di Atas Piksel adalah pelajaran Deep Learning Academy gratis di CoddyKit. Ini adalah pelajaran 1 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Deep Learning Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Deep Learning Academy mencakup 4 pelajaran total.
Bagian dari pelajaran ini belum diterjemahkan dan ditampilkan dalam bahasa Inggris.
An Image Is Just Numbers
To a network, a photo is a grid of pixel values. A small grayscale image might be 28x28 numbers, each from 0 (black) to 255 (white).
Why Not Just Flatten It?
Flattening an image into one long vector throws away the spatial layout. Pixels near each other matter, and a plain dense layer ignores that.
Meet the Kernel
A kernel is a tiny grid of weights, often 3x3. It slides across the image, looking at one small patch at a time.
The Sliding Window
At each position the kernel covers a patch, multiplies overlapping values, and sums them into one number. Then it slides over and repeats. 🔍
That Sum Is the Output Pixel
Each weighted sum becomes a single pixel in the result. Slide across the whole image and you build a fresh grid called a feature map.
Kernels Detect Patterns
A well-tuned kernel lights up where its pattern appears. One kernel might fire on vertical edges, another on bright corners or smooth textures.
An Edge Detector by Hand
This classic 3x3 kernel responds strongly to vertical edges, where light meets dark across a column.
edge_kernel = [
[-1, 0, 1],
[-1, 0, 1],
[-1, 0, 1],
]The Weights Are Learned
You do not hand-pick kernel numbers. Training adjusts them so each filter learns whatever pattern helps the network classify images.
Same Kernel, Everywhere
One kernel reuses the same weights across the whole image. This weight sharing means far fewer parameters than a dense layer would need.
A Conv Layer in PyTorch
nn.Conv2d wraps all of this. Here a Conv2d takes 1 input channel and learns 8 different 3x3 kernels.
import torch.nn as nn
conv = nn.Conv2d(1, 8, kernel_size=3)Many Kernels, Many Maps
That layer learns 8 kernels, so it outputs 8 feature maps. Each one highlights a different pattern the network found useful.
Quick Check
Let us check what a convolution kernel actually produces.
Recap: Kernels Slide
You learned that a kernel slides over pixels, summing weighted patches into a feature map. Its weights are learned, shared, and tuned to spot edges and textures. 🎉
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Konvolusi: Kernel Meluncur di Atas Piksel” gratis?
Ya — teks lengkap “Konvolusi: Kernel Meluncur di Atas Piksel” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Deep Learning Academy, upgrade ke CoddyKit PRO. Kursus Deep Learning Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Konvolusi: Kernel Meluncur di Atas Piksel”?
Bagaimana filter mendeteksi tepi dan tekstur Kamu berlatih Deep Learning Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai Deep Learning Academy?
Tidak diperlukan pengalaman sebelumnya. Deep Learning Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 1 dari 4.
Berapa lama pelajaran “Konvolusi: Kernel Meluncur di Atas Piksel” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran Deep Learning Academy ini?
Ya. Setiap pelajaran Deep Learning Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Konvolusi: Kernel Meluncur di Atas Piksel
- Stride, Padding, dan Pooling
- Kanal, Peta Fitur, dan Medan Reseptif
- Rakit Pengklasifikasi Gambar CNN