Gerador de Diagrama da arquitetura de uma rede neuronal · CNN
Gerador online gratuito de Diagrama da arquitetura de uma rede neuronal · CNN: receba uma figura totalmente rotulada em cerca de 90 segundos. A IA planeja primeiro os rótulos obrigatórios e depois desenha um diagrama em estilo de livro didático — cada rótulo é editável depois, pronto para artigos, trabalhos e slides.
Rótulos incluídos neste diagrama
- Imagem de entrada 224×224×3
- Convolução Conv 224×224×64
- Ativação ReLU 224×224×64
- MaxPool 112×112×64
- Convolução Conv 112×112×128
- Ativação ReLU 112×112×128
- MaxPool 56×56×128
- Achatamento Flatten 401408
- Camada totalmente conectada FC
- Saída Softmax
✓ Rótulos precisos ✓ Texto editável ✓ PNG para artigos, pôsteres e slides
OUTPUT · 16:9 · PNGO que este diagrama mostra
O diagrama representa o fluxo de dados numa rede neuronal convolucional destinada à classificação de imagens. A entrada 224×224×3 corresponde à altura, à largura e aos três canais de cor. A primeira convolução produz 64 mapas de características com dimensão espacial 224×224, seguida pela ativação ReLU. O MaxPool reduz esses mapas para 112×112×64. Uma segunda convolução aumenta a profundidade para 128 canais, mantendo 112×112, e o novo MaxPool reduz a resolução para 56×56×128. Assim, a rede transforma progressivamente píxeis em características visuais mais abstratas.
As setas indicam a propagação para a frente e devem ligar as operações na ordem Conv, ReLU, MaxPool, nova Conv, ReLU e MaxPool. As convoluções detetam padrões locais por meio de filtros aprendidos; a ReLU introduz não linearidade sem alterar as dimensões; e o MaxPool reduz altura e largura, preservando respostas dominantes. O tensor 56×56×128 é depois convertido, pelo achatamento, num vetor de 401408 elementos, pois 56×56×128 = 401408. A camada totalmente conectada combina globalmente essas características, enquanto a Softmax converte os valores finais em probabilidades normalizadas para as classes.
O que um diagrama correto deve incluir
- Entrada 224×224×3 — desenhar um paralelepípedo e identificar altura, largura e canais, evitando confundir canais RGB com número de imagens.
- Convolução 224×224×64 — representar 64 mapas de características e indicar que a manutenção da resolução espacial pressupõe preenchimento adequado e passo igual a 1.
- Ativação ReLU 224×224×64 — colocá-la imediatamente após a convolução, deixando claro que ela altera os valores, mas não o formato do tensor.
- MaxPool 112×112×64 — mostrar a redução da altura e da largura pela metade, sem modificar a quantidade de canais.
- Segunda sequência Conv–ReLU–MaxPool — indicar a passagem de 112×112×64 para 112×112×128 e, depois, para 56×56×128.
- Achatamento 401408 — explicitar o cálculo 56×56×128 e representar a transformação do tensor tridimensional num vetor unidimensional.
- Camada totalmente conectada e Softmax — ligar o vetor às unidades de saída e representar a Softmax como distribuição de probabilidades entre classes.
- Setas de propagação — orientar todas as setas da esquerda para a direita, sem ramificações ou ligações de retorno que não pertençam a esta arquitetura.
Erros comuns
- Reduzir as dimensões espaciais após a ReLU; nesta arquitetura, a redução é realizada pelo MaxPool, enquanto a ReLU mantém o formato.
- Afirmar que o MaxPool reduz também o número de canais; a operação atua separadamente em cada mapa de características.
- Calcular incorretamente o achatamento: 56×56×128 resulta em 401408 elementos, não em 401408 canais.
- Desenhar a camada totalmente conectada antes do achatamento sem explicar uma operação equivalente de reorganização dos dados.
- Interpretar a Softmax como seleção direta de uma classe; ela produz probabilidades normalizadas, e a decisão costuma usar a classe de maior probabilidade.
Dicas de ensino
O diagrama pode ser usado após a introdução às convoluções e antes do estudo do treino por retropropagação. O professor pode ocultar algumas dimensões e pedir aos estudantes que as deduzam, questionando quais operações alteram a resolução, a profundidade ou apenas os valores. Também é útil solicitar o cálculo de 56×56×128 e discutir o elevado número de parâmetros que uma camada totalmente conectada pode gerar. A figura relaciona-se diretamente com questões de avaliação sobre formato de tensores, preenchimento, passo, não linearidade, subamostragem e interpretação probabilística da Softmax.
Perguntas sobre este diagrama
Por que a convolução aumenta o número de canais de 3 para 64 e depois para 128?
Cada filtro convolucional produz um mapa de características, portanto 64 filtros geram 64 canais de saída e 128 filtros geram 128 canais. O aumento da profundidade permite representar uma variedade maior de padrões, desde contornos simples até estruturas mais abstratas.
Como a convolução mantém 224×224 ou 112×112?
Isso é possível com passo igual a 1 e preenchimento escolhido de acordo com o tamanho do núcleo, frequentemente chamado de preenchimento que preserva a dimensão. Sem preenchimento, a altura e a largura diminuiriam após cada convolução.
Qual é a diferença entre achatamento, camada totalmente conectada e Softmax?
O achatamento apenas reorganiza o tensor tridimensional num vetor, sem aprender parâmetros. A camada totalmente conectada aprende combinações das características, enquanto a Softmax normaliza os valores finais para que sejam não negativos e somem 1.
