Konwolucja: jądra przesuwają się po pikselach
Zrozumieć, jak filtry wykrywają krawędzie i tekstury
Konwolucja: jądra przesuwają się po pikselach to bezpłatna lekcja Deep Learning Academy na CoddyKit. To lekcja 1 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Deep Learning Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Deep Learning Academy zawiera 4 lekcji w sumie.
Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.
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. 🎉
Często zadawane pytania
Czy lekcja „Konwolucja: jądra przesuwają się po pikselach” jest bezpłatna?
Tak — pełny tekst „Konwolucja: jądra przesuwają się po pikselach” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Deep Learning Academy, przejdź na CoddyKit PRO. Kurs Deep Learning Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Konwolucja: jądra przesuwają się po pikselach”?
Zrozumieć, jak filtry wykrywają krawędzie i tekstury Ćwiczysz Deep Learning Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć Deep Learning Academy?
Nie wymagamy żadnego doświadczenia. Deep Learning Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 1 z 4.
Ile czasu zajmuje lekcja „Konwolucja: jądra przesuwają się po pikselach”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji Deep Learning Academy?
Tak. Każda lekcja Deep Learning Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Konwolucja: jądra przesuwają się po pikselach
- Stride, padding i pooling
- Kanały, mapy cech i pola recepcyjne
- Złożyć klasyfikator obrazów CNN