Redes Convolucionais — Índice dos Slides

Bloco 1 — Aprendizado de Representações e Imagens como Dados

Bloco 2 — Limitações do MLP para Imagens

Slide 06

⚠️

O Problema da Translação

Mova o X e veja como o MLP enxerga entradas muito diferentes para o mesmo objeto.

Filtros detectam padrões locais independentemente da posição — motivação para CNNs.

interativo

Bloco 3 — O que são Convoluções e Filtros Convolucionais

Slide 08

⚙️

Filtros Convolucionais

Pequenas matrizes de pesos — passe o mouse para ver o que cada filtro detecta.

interativo

Slide 09

🔬

Convolução Passo a Passo

Janela deslizante, multiplicação elemento a elemento, soma e construção do feature map.

interativo

Bloco 4 — Feature Maps e Max-Pooling

Slide 10

🗺️

Feature Maps

Ligue e desligue filtros e veja o mapa de features de cada um na imagem do X.

Compressão de feature maps, tolerância a translações e robustez a pequenas variações de posição.

interativo

Slide 12

🔢

Pooling Passo a Passo

Escolha janela e stride, avance passo a passo ou execute tudo, e veja o máximo de cada janela destacado.

interativo

Bloco 5 — ReLU e Não Linearidade

Slide 13

⚡

ReLU e Não Linearidade

Gráfico interativo da ReLU, comparação com sigmoide e por que ReLU viabiliza redes profundas.

interativo

Slide 14

🔦

Aplicar ReLU no Feature Map

Escolha um filtro, clique em "Aplicar ReLU" e veja quais ativações são zeradas no mapa de features.

Convolução → ReLU → Max-Pooling passo a passo, com os 3 filtros e o resultado final compacto.

interativo

Bloco 6 — Pipeline Completo de uma CNN

Slide 16

📏

Filtros Convolucionais têm Bias

Justificativa e efeito do bias — slider interativo mostrando como ele desloca as ativações antes e depois do ReLU.

interativo

Slide 17

🏗️

Empilhando Blocos Convolucionais

Arquitetura multi-bloco: Conv→ReLU→Pool repetido, hierarquia de features e parte densa para classificação.

interativo

Slide 18

🔗

Pipeline Completo — Clique para Explorar

Pipeline clicável de ponta a ponta: entrada → filtros → feature maps → ReLU → MaxPool → flatten → classificador.

interativo

Bloco 7 — Como a Rede Aprende os Filtros (Backpropagation em CNNs)

Slide 19

🎓

Como a Rede Aprende os Filtros

Situação inicial: filtros aleatórios, erro alto — backprop vai ajustar tudo.

interativo

Slide 20

⬅️

Etapas do Backpropagation

Passo a passo: erro na saída → rede densa → feature maps → filtros convolucionais.

interativo

Slide 21

🔧

Aprendendo a Detectar X

Animação interativa: filtro ruim → backprop → filtro aprende o padrão X → P(X) = 0.85.

interativo

Bloco 8 — Limitações das CNNs: Dados e Ataques Adversariais

Slide 22

⚠️

Limitações das CNNs

Visão geral das duas limitações fundamentais: dependência de dados e vulnerabilidade adversarial.

interativo

Slide 23

🗂️

CNNs Precisam de Muitos Dados

Por que filtros aprendidos exigem variedade de exemplos, variações e muitas amostras por classe.

Como pequenas perturbações estratégicas neutralizam filtros e enganam a rede — com comparação original vs. perturbado.

Grid editável 9×9 com feature maps e probabilidades em tempo real — tente fazer P(X) cair abaixo de 50%!

interativo

Bloco 9 — Redes Residuais (Skip Connections)

Slide 26

📉

Por que Redes Profundas São Difíceis de Treinar?

Vanishing gradient animado: veja o gradiente enfraquecer camada por camada durante o backpropagation.

interativo

Slide 27

🔗

Conexões Residuais: Atalhos para o Gradiente

Bloco residual interativo: ajuste F(x) com o slider e veja saída = x + F(x) e os dois caminhos do gradiente.

interativo

Slide 28

🏗️

Síntese: ResNets e Redes Muito Profundas

H(x) = F(x) + x — como skip connections resolvem o vanishing gradient e permitem ResNet-152.

interativo

Bloco 10 — Batch Normalization

Slide 29

📊

Batch Normalization

Distribuição de ativações antes e depois — clique em "Normalizar" e veja a transformação.

interativo

Slide 30

📦

Normalização por Lote

Escolha o tamanho do lote (2 ou 3) e navegue entre os lotes para comparar Z-score global com as estatísticas do mini-lote.

interativo

Slide 31

🏋️

Treino: Z-score Global vs Normalização por Lote

Treine a rede logística com Z-score global ou batch norm e compare a dinâmica de treinamento época a época.

interativo

Slide 32

🎛️

Parâmetros Aprendidos: γ e β

Sliders interativos: γ estica/comprime e β desloca a distribuição normalizada.

interativo

Slide 33

⚖️

Síntese: BatchNorm na Prática

Efeitos práticos, posição na rede e tabela comparativa Residual vs BatchNorm.

interativo