Convolução: Kernels Deslizam sobre Pixels
Como os filtros detectam bordas e texturas
Convolução: Kernels Deslizam sobre Pixels é uma aula grátis de Deep Learning Academy no CoddyKit. Esta é a aula 1 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de Deep Learning Academy, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de Deep Learning Academy inclui 4 aulas no total.
Partes desta aula ainda não foram traduzidas e aparecem em inglês.
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. 🎉
Perguntas Frequentes
A aula “Convolução: Kernels Deslizam sobre Pixels” é grátis?
Sim — o texto completo de “Convolução: Kernels Deslizam sobre Pixels” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de Deep Learning Academy, atualize para CoddyKit PRO. O curso de Deep Learning Academy inclui 4 aulas no total.
O que vou aprender em “Convolução: Kernels Deslizam sobre Pixels”?
Como os filtros detectam bordas e texturas Você pratica Deep Learning Academy com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar Deep Learning Academy?
Nenhuma experiência prévia é necessária. Deep Learning Academy no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 1 de 4.
Quanto tempo leva a aula “Convolução: Kernels Deslizam sobre Pixels”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de Deep Learning Academy?
Sim. Cada aula de Deep Learning Academy inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Convolução: Kernels Deslizam sobre Pixels
- Stride, Preenchimento e Pooling
- Canais, Mapas de Recursos e Campos Receptivos
- Monte um Classificador de Imagens com CNN