A camada convolucional é o bloco de construção central de uma CNN e é onde ocorre a maioria dos cálculos. Ela exige alguns componentes como: dados de entrada, um filtro e um mapa de feições. Suponhamos que a entrada será uma imagem de cor que é composta por uma matriz de pixels em 3D. Isso significa que a entrada terá três dimensões — uma altura, largura e profundidade — que correspondem à RGB em uma imagem. Também temos um detector de feição, também conhecido como kernel ou filtro, que se moverá pelos campos receptivos da imagem, verificando se a feição está presente. Este processo é conhecido como uma convolução.

O detector de elementos é uma matriz bidimensional (2-D) de pesos, que representa parte da imagem. Embora possam variar em tamanho, o tamanho do filtro é normalmente uma matriz 3x3 e isso também determina o tamanho do campo receptivo. Em seguida, o filtro é aplicado a uma área da imagem, e um produto de ponto é calculado entre os pixels de entrada e o filtro. Esse produto escalar é então alimentado em uma matriz de saída. Posteriormente, o filtro muda por um avanço, repetindo o processo até que o kernel tenha varrido toda a imagem. A saída final da série de produtos escalares a partir da entrada e do filtro é conhecido como um mapa de feição, mapa de ativação ou uma feição convolvida.

Observe que os pesos no detector de recursos permanecem fixos à medida que ele se move pela imagem, o que também é conhecido como compartilhamento de parâmetros. Alguns parâmetros, como os valores de peso, ajustam-se durante o treinamento por meio do processo de retropropagação e descida de gradiente. No entanto, existem três hiperparâmetros que afetam o tamanho do volume de produção que precisam ser definidos antes do início do treinamento da rede neural. Estes incluem:

1. O número de filtros afeta a profundidade da produção. Por exemplo, três filtros distintos resultariam em três mapas de recursos diferentes, criando uma profundidade de três.

2. Stride é a distância, ou número de pixels, que o kernel se move sobre a matriz de input. Embora valores de stride de dois ou mais sejam raros, um stride maior tem uma produção menor.

3. Zero-padding é geralmente usado quando os filtros não se encaixam na imagem de input. Isso define todos os elementos que ficam fora da matriz de input como zero, produzindo uma produção de tamanho maior ou igual. Existem três tipos de padding:

• Padding válido: também conhecido como no padding. Neste caso, a última convolução é descartada se as dimensões não se alinharem.
• Padding igual: este padding garante que a camada de produção tenha o mesmo tamanho que a camada de input.
• Padding completo: Este tipo de padding aumenta o tamanho da produção adicionando zeros à borda do input.

Após cada operação de convolução, uma CNN aplica uma transformação de Unidade Linear Retificada (ReLU) no mapa de feição, introduzindo não linearidade no modelo.

Como mencionamos anteriormente, uma camada convolucional adicional pode seguir a camada convolucional inicial. Quando isso acontece, a estrutura da CNN pode se tornar hierárquica, pois as camadas posteriores podem ver os pixels dentro dos campos receptivos das camadas anteriores.Por exemplo, vamos supor que estamos tentando determinar se uma imagem contém uma bicicleta. Você pode pensar na bicicleta como uma soma de partes. É composta por um quadro, guidões, rodas, pedais etc. Cada parte individual da bicicleta constitui um padrão de nível inferior na rede neural, e a combinação de suas partes representa um padrão de nível superior, criando uma hierarquia de características dentro da CNN.Finalmente, a camada convolucional converte a imagem em valores numéricos, permitindo que a rede neural interprete e extraia padrões relevantes.

As camadas de agrupamento, também conhecidas como downsampling, conduzem a redução de dimensionalidade, reduzindo o número de parâmetros na entrada. Semelhante à camada convolucional, a operação de agrupamento varre um filtro por toda a entrada, mas a diferença é que este filtro não tem nenhum peso. Em vez disso, o kernel aplica uma função de agregação aos valores dentro do campo receptivo, preenchendo a matriz de saída. Existem dois tipos principais de agrupamento:

• Pooling máximo: à medida que o filtro se move pelo input, ele seleciona o pixel com o valor máximo para enviar para a matriz de produção. Como uma observação, essa abordagem tende a ser usada mais frequentemente em comparação com o pooling médio
• Pooling médio: à medida que o filtro se move pelo input, ele calcula o valor médio dentro do campo receptivo para enviar ao array de produção.

Enquanto muitas informações são perdidas na camada de agrupamento, elas também têm vários benefícios para a CNN. Elas ajudam a reduzir a complexidade, melhorar a eficiência e limitar o risco de superajuste. 

O nome da camada totalmente conectada se descreve apropriadamente. Como mencionado anteriormente, os valores de pixel da imagem de entrada não estão diretamente conectados à camada de saída em camadas parcialmente conectadas. No entanto, na camada totalmente conectada, cada nó na camada de saída se conecta diretamente a um nó na camada anterior.

Essa camada executa a tarefa de classificação baseada nas feições extraídas através das camadas anteriores e seus diferentes filtros. Enquanto as camadas convolucionais e de agrupamento tendem a utilizar funções ReLu, as camadas FC normalmente utilizam uma função de ativação softmax para classificar as entradas adequadamente, produzindo uma probabilidade de 0 a 1.