Os dígitos manuscritos são feitos de formas e descartamos as informações da forma quando achatamos os pixels. As redes convolucionais tiram proveito das informações das formas, dos pixels vizinhos, por isso, não vamos achatar a matriz como fizemos nos exemplos anteriores. Não vamos fazer: tf.keras.layers.Flatten(input_shape=(28, 28), name='flatten_input')  Porque não aproveitaríamos o que as camadas convolucionais podem oferecer em termos de reconhecimento de formas. A vamos achatar depois de passar pelas camadas convolucionais. Usamos apenas 4 patches na primeira camada convolucional. Se você aceitar que esses pedaços de pesos evoluem durante o treinamento para reconhecedores de forma, você pode ver intuitivamente que isso pode não ser suficiente para o nosso problema. Dígitos escritos à mão normalmente tem mais de 4 formas elementares. Nesse exemplo vamos aumentar um pouco os tamanhos dos patches, aumentar o número de patches em nossas camadas convolucionais de 4, 8, 12 para 6, 12, 24 e, em seguida, adicionar dropout na camada totalmente conectada.

Por que não nas camadas convolucionais?

Os neurônios reutilizam os mesmos pesos, portanto, o dropout, que funciona efetivamente ao congelar alguns pesos durante uma iteração de treinamento, não funcionaria nas camadas convolucionais. Então partiu colab:

Notebook da aula

Por essa aula é só.

Meu github:

https://github.com/toticavalcanti

Se gostarem do conteúdo dêem um joinha 👍 na página do Código Fluente no Facebook

Link do código fluente no Pinterest

Novamente deixo meus link de afiliados:

Hostinger

Digital Ocean

One.com

Obrigado, até a próxima e bons estudos. ;)