Como a Rede Aprende os Filtros
Mensagem central
Até agora usamos filtros como se já soubéssemos quais padrões detectar.
Mas, na prática, a rede aprende sozinha quais filtros usar —
através de backpropagation.
Pipeline completo
🖼️ Entrada9×9
→
⚙️ Convfiltros
→
⚡ ReLU
→
🏊 Pool
→
🧠 Dense
→
🎯 SaídaP(X)
Pesos ajustáveis em todos os lugares
Os filtros convolucionais são pesos da rede — assim como os pesos das camadas densas. Todos são ajustados no treinamento.
Erro flui de trás para frente
O erro da saída se propaga pela rede no sentido contrário ao forward pass — da saída até os primeiros filtros.
Filtros emergem do dado
Os filtros que a rede aprende não são criados por humanos — eles surgem automaticamente a partir dos padrões presentes nos dados de treino.
Situação inicial — A rede errou
Exemplo com imagem do X
Entrada:
imagem de "X" (9×9)
Saída esperada:
P(X) = 1.0
Saída atual:
P(X) = 0.30
Entrada: imagem X (9×9)
Saída esperada
100%
✓
Previsão atual
30%
⚠️ Erro alto!
🤔 Como a rede sabe o que ajustar?
O erro da saída indica o quanto cada parte da rede contribuiu para o erro — e isso inclui os filtros convolucionais.
O erro da saída indica o quanto cada parte da rede contribuiu para o erro — e isso inclui os filtros convolucionais.
💡
Nos próximos slides, vamos ver como o erro percorre a rede de trás para frente, ajustando primeiro os pesos da parte densa e depois os próprios filtros.