Como uma IA Enxerga o Mundo? 🤖

• Setup
• Dataset (MNIST)
• EDA
• Blur
• Muito borrada
• 'desborrado'
• Borda
• CNN

Setup

!nvidia-smi

Sat Oct 16 21:51:52 2021       
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 470.74       Driver Version: 460.32.03    CUDA Version: 11.2     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|                               |                      |               MIG M. |
|===============================+======================+======================|
|   0  A100-SXM4-40GB      Off  | 00000000:00:04.0 Off |                    0 |
| N/A   32C    P0    43W / 400W |      0MiB / 40536MiB |      0%      Default |
|                               |                      |             Disabled |
+-------------------------------+----------------------+----------------------+
                                                                               
+-----------------------------------------------------------------------------+
| Processes:                                                                  |
|  GPU   GI   CI        PID   Type   Process name                  GPU Memory |
|        ID   ID                                                   Usage      |
|=============================================================================|
|  No running processes found                                                 |
+-----------------------------------------------------------------------------+

!pip install -Uqqq fastai

     |████████████████████████████████| 186 kB 5.1 MB/s 
     |████████████████████████████████| 56 kB 4.8 MB/s 

from fastai.vision.all import *

Dataset (MNIST)

path = untar_data(URLs.MNIST)

100.03% [15687680/15683414 00:00<00:00]

(path/'testing').ls()

(#10) [Path('/root/.fastai/data/mnist_png/testing/3'),Path('/root/.fastai/data/mnist_png/testing/9'),Path('/root/.fastai/data/mnist_png/testing/2'),Path('/root/.fastai/data/mnist_png/testing/5'),Path('/root/.fastai/data/mnist_png/testing/7'),Path('/root/.fastai/data/mnist_png/testing/6'),Path('/root/.fastai/data/mnist_png/testing/8'),Path('/root/.fastai/data/mnist_png/testing/1'),Path('/root/.fastai/data/mnist_png/testing/4'),Path('/root/.fastai/data/mnist_png/testing/0')]

(path/'testing/6').ls()

(#958) [Path('/root/.fastai/data/mnist_png/testing/6/6933.png'),Path('/root/.fastai/data/mnist_png/testing/6/3744.png'),Path('/root/.fastai/data/mnist_png/testing/6/4239.png'),Path('/root/.fastai/data/mnist_png/testing/6/3657.png'),Path('/root/.fastai/data/mnist_png/testing/6/9138.png'),Path('/root/.fastai/data/mnist_png/testing/6/366.png'),Path('/root/.fastai/data/mnist_png/testing/6/8341.png'),Path('/root/.fastai/data/mnist_png/testing/6/2728.png'),Path('/root/.fastai/data/mnist_png/testing/6/3121.png'),Path('/root/.fastai/data/mnist_png/testing/6/2170.png')...]

um_seis = Image.open((path/'testing/6').ls()[0])
um_seis

um_seis = tensor(um_seis)
um_seis.shape

torch.Size([28, 28])

um_seis[4:14, 4:14]

tensor([[  0,   0,   0,   0,   0,   0,   0,   0,  70, 252],
        [  0,   0,   0,   0,   0,   0,   0,   0, 112, 252],
        [  0,   0,   0,   0,   0,   0,   0,  95, 246, 252],
        [  0,   0,   0,   0,   0,   0,   3, 170, 253, 253],
        [  0,   0,   0,   0,   0,   0, 118, 252, 252, 214],
        [  0,   0,   0,   0,   0,  85, 253, 252, 233,  33],
        [  0,   0,   0,   0,   0, 157, 253, 252,  89,   0],
        [  0,   0,   0,   0,   0, 230, 253, 252,  69,   0],
        [  0,   0,   0,   0,  51, 243, 255, 249,  63,   0],
        [  0,   0,   0,   0,  93, 252, 253, 132,   0,   0]], dtype=torch.uint8)

2**8 - 1

255

EDA

(pd.DataFrame(um_seis)
   .style.set_properties(
       **{'font-size':'6pt', 
          'width': '18px', 
          'text-align': 
          'center'})
   .background_gradient('Greys_r', vmax = 255, vmin = 0)
)

	0	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17	18	19	20	21	22	23	24	25	26	27
0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
1	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
2	0	0	0	0	0	0	0	0	0	0	0	0	0	104	253	181	9	0	0	0	0	0	0	0	0	0	0	0
3	0	0	0	0	0	0	0	0	0	0	0	0	13	215	252	249	75	0	0	0	0	0	0	0	0	0	0	0
4	0	0	0	0	0	0	0	0	0	0	0	0	70	252	252	199	0	0	0	0	0	0	0	0	0	0	0	0
5	0	0	0	0	0	0	0	0	0	0	0	0	112	252	252	116	0	0	0	0	0	0	0	0	0	0	0	0
6	0	0	0	0	0	0	0	0	0	0	0	95	246	252	252	11	0	0	0	0	0	0	0	0	0	0	0	0
7	0	0	0	0	0	0	0	0	0	0	3	170	253	253	128	0	0	0	0	0	0	0	0	0	0	0	0	0
8	0	0	0	0	0	0	0	0	0	0	118	252	252	214	18	0	0	0	0	0	0	0	0	0	0	0	0	0
9	0	0	0	0	0	0	0	0	0	85	253	252	233	33	0	0	0	0	0	0	0	0	0	0	0	0	0	0
10	0	0	0	0	0	0	0	0	0	157	253	252	89	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
11	0	0	0	0	0	0	0	0	0	230	253	252	69	0	0	0	0	0	95	63	0	0	0	0	0	0	0	0
12	0	0	0	0	0	0	0	0	51	243	255	249	63	0	0	0	36	222	253	253	181	9	0	0	0	0	0	0
13	0	0	0	0	0	0	0	0	93	252	253	132	0	0	0	89	219	252	252	252	253	164	0	0	0	0	0	0
14	0	0	0	0	0	0	0	0	93	252	253	92	0	0	32	222	252	252	195	246	253	240	50	0	0	0	0	0
15	0	0	0	0	0	0	0	0	187	252	253	92	0	0	210	253	252	153	9	230	253	252	69	0	0	0	0	0
16	0	0	0	0	0	0	0	64	248	252	232	8	0	189	250	253	106	38	210	250	253	157	6	0	0	0	0	0
17	0	0	0	0	0	0	0	0	208	253	233	9	81	253	253	221	5	138	253	253	242	42	0	0	0	0	0	0
18	0	0	0	0	0	0	0	0	169	227	253	173	197	252	252	193	136	252	252	252	178	0	0	0	0	0	0	0
19	0	0	0	0	0	0	0	0	0	32	253	252	252	252	252	253	252	252	252	221	63	0	0	0	0	0	0	0
20	0	0	0	0	0	0	0	0	0	0	56	219	252	252	252	253	252	252	218	88	0	0	0	0	0	0	0	0
21	0	0	0	0	0	0	0	0	0	0	0	15	54	137	242	253	178	137	35	0	0	0	0	0	0	0	0	0
22	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
23	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
24	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
25	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
26	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
27	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0

um_seis = um_seis/255

(pd.DataFrame(um_seis)
   .style.set_properties(
       **{'font-size':'6pt', 
          'width': '18px', 
          'text-align': 
          'center'})
   .background_gradient('Greys_r', vmax = 1, vmin = 0)
   .format('{:.2f}')
)

	0	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17	18	19	20	21	22	23	24	25	26	27
0	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
1	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
2	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.41	0.99	0.71	0.04	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
3	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.05	0.84	0.99	0.98	0.29	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
4	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.27	0.99	0.99	0.78	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
5	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.44	0.99	0.99	0.45	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
6	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.37	0.96	0.99	0.99	0.04	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
7	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.01	0.67	0.99	0.99	0.50	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
8	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.46	0.99	0.99	0.84	0.07	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
9	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.33	0.99	0.99	0.91	0.13	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
10	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.62	0.99	0.99	0.35	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
11	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.90	0.99	0.99	0.27	0.00	0.00	0.00	0.00	0.00	0.37	0.25	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
12	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.20	0.95	1.00	0.98	0.25	0.00	0.00	0.00	0.14	0.87	0.99	0.99	0.71	0.04	0.00	0.00	0.00	0.00	0.00	0.00
13	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.36	0.99	0.99	0.52	0.00	0.00	0.00	0.35	0.86	0.99	0.99	0.99	0.99	0.64	0.00	0.00	0.00	0.00	0.00	0.00
14	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.36	0.99	0.99	0.36	0.00	0.00	0.13	0.87	0.99	0.99	0.76	0.96	0.99	0.94	0.20	0.00	0.00	0.00	0.00	0.00
15	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.73	0.99	0.99	0.36	0.00	0.00	0.82	0.99	0.99	0.60	0.04	0.90	0.99	0.99	0.27	0.00	0.00	0.00	0.00	0.00
16	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.25	0.97	0.99	0.91	0.03	0.00	0.74	0.98	0.99	0.42	0.15	0.82	0.98	0.99	0.62	0.02	0.00	0.00	0.00	0.00	0.00
17	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.82	0.99	0.91	0.04	0.32	0.99	0.99	0.87	0.02	0.54	0.99	0.99	0.95	0.16	0.00	0.00	0.00	0.00	0.00	0.00
18	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.66	0.89	0.99	0.68	0.77	0.99	0.99	0.76	0.53	0.99	0.99	0.99	0.70	0.00	0.00	0.00	0.00	0.00	0.00	0.00
19	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.13	0.99	0.99	0.99	0.99	0.99	0.99	0.99	0.99	0.99	0.87	0.25	0.00	0.00	0.00	0.00	0.00	0.00	0.00
20	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.22	0.86	0.99	0.99	0.99	0.99	0.99	0.99	0.85	0.35	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
21	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.06	0.21	0.54	0.95	0.99	0.70	0.54	0.14	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
22	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
23	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
24	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
25	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
26	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
27	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00

Blur

kernel = torch.ones((3,3))/9
kernel

tensor([[0.1111, 0.1111, 0.1111],
        [0.1111, 0.1111, 0.1111],
        [0.1111, 0.1111, 0.1111]])

um_seis.view(1,1,28,28).shape

torch.Size([1, 1, 28, 28])

um_seis_borrado = F.conv2d(um_seis.view(1,1,28,28), kernel.view(1,1,3,3), padding=1)

(pd.DataFrame(um_seis_borrado.view(28,28))
   .style.set_properties(
       **{'font-size':'6pt', 
          'width': '18px', 
          'text-align': 
          'center'})
   .background_gradient('Greys_r', vmax = 1, vmin = 0)
   .format('{:.2f}')
)

	0	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17	18	19	20	21	22	23	24	25	26	27
0	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
1	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.05	0.16	0.23	0.19	0.08	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
2	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.01	0.14	0.36	0.55	0.44	0.22	0.04	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
3	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.04	0.28	0.61	0.85	0.64	0.31	0.04	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
4	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.08	0.40	0.73	0.89	0.61	0.28	0.03	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
5	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.04	0.23	0.56	0.85	0.80	0.47	0.14	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
6	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.12	0.38	0.71	0.87	0.66	0.33	0.06	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
7	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.05	0.28	0.61	0.87	0.81	0.49	0.18	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
8	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.04	0.20	0.49	0.78	0.83	0.60	0.28	0.06	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
9	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.11	0.38	0.71	0.85	0.69	0.37	0.12	0.01	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
10	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.21	0.54	0.87	0.83	0.51	0.18	0.01	0.00	0.00	0.04	0.07	0.07	0.03	0.00	0.00	0.00	0.00	0.00	0.00	0.00
11	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.02	0.30	0.63	0.93	0.76	0.42	0.10	0.00	0.02	0.11	0.26	0.39	0.37	0.22	0.08	0.00	0.00	0.00	0.00	0.00	0.00
12	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.06	0.38	0.71	0.92	0.66	0.33	0.06	0.04	0.15	0.36	0.58	0.72	0.70	0.51	0.26	0.08	0.00	0.00	0.00	0.00	0.00
13	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.10	0.43	0.76	0.86	0.57	0.23	0.04	0.15	0.37	0.67	0.84	0.95	0.93	0.81	0.50	0.20	0.02	0.00	0.00	0.00	0.00
14	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.16	0.49	0.82	0.80	0.47	0.14	0.11	0.35	0.67	0.85	0.80	0.80	0.85	0.93	0.67	0.34	0.05	0.00	0.00	0.00	0.00
15	0.00	0.00	0.00	0.00	0.00	0.00	0.03	0.26	0.59	0.88	0.73	0.41	0.17	0.30	0.61	0.80	0.78	0.64	0.69	0.83	0.93	0.67	0.34	0.05	0.00	0.00	0.00	0.00
16	0.00	0.00	0.00	0.00	0.00	0.00	0.03	0.31	0.64	0.92	0.69	0.40	0.28	0.54	0.82	0.79	0.62	0.51	0.67	0.85	0.84	0.56	0.23	0.03	0.00	0.00	0.00	0.00
17	0.00	0.00	0.00	0.00	0.00	0.00	0.03	0.30	0.62	0.90	0.71	0.52	0.51	0.75	0.92	0.73	0.58	0.61	0.83	0.93	0.71	0.38	0.09	0.00	0.00	0.00	0.00	0.00
18	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.16	0.39	0.71	0.73	0.74	0.75	0.89	0.95	0.79	0.74	0.78	0.93	0.86	0.55	0.23	0.02	0.00	0.00	0.00	0.00	0.00
19	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.07	0.19	0.43	0.64	0.83	0.92	0.96	0.96	0.91	0.91	0.92	0.89	0.66	0.35	0.11	0.00	0.00	0.00	0.00	0.00	0.00
20	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.01	0.15	0.36	0.59	0.73	0.85	0.94	0.95	0.91	0.80	0.63	0.38	0.16	0.03	0.00	0.00	0.00	0.00	0.00	0.00
21	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.02	0.13	0.26	0.40	0.52	0.61	0.62	0.58	0.47	0.32	0.15	0.04	0.00	0.00	0.00	0.00	0.00	0.00	0.00
22	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.01	0.03	0.09	0.19	0.28	0.29	0.25	0.15	0.07	0.02	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
23	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
24	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
25	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
26	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
27	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00

Muito borrada

kernel = torch.ones((7,7))
kernel = kernel/kernel.sum()
kernel

tensor([[0.0204, 0.0204, 0.0204, 0.0204, 0.0204, 0.0204, 0.0204],
        [0.0204, 0.0204, 0.0204, 0.0204, 0.0204, 0.0204, 0.0204],
        [0.0204, 0.0204, 0.0204, 0.0204, 0.0204, 0.0204, 0.0204],
        [0.0204, 0.0204, 0.0204, 0.0204, 0.0204, 0.0204, 0.0204],
        [0.0204, 0.0204, 0.0204, 0.0204, 0.0204, 0.0204, 0.0204],
        [0.0204, 0.0204, 0.0204, 0.0204, 0.0204, 0.0204, 0.0204],
        [0.0204, 0.0204, 0.0204, 0.0204, 0.0204, 0.0204, 0.0204]])

Dica: para manter a imagem do mesmo tamanho, padding vale k//2

um_seis_muito_borrado = F.conv2d(
    um_seis.view(1,1,28,28), 
    kernel.view(1,1,7,7), padding=3)

(pd.DataFrame(um_seis_muito_borrado.view(28,28))
   .style.set_properties(
       **{'font-size':'6pt', 
          'width': '18px', 
          'text-align': 
          'center'})
   .background_gradient('Greys_r', vmax = 1, vmin = 0)
   .format('{:.2f}')
)

	0	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17	18	19	20	21	22	23	24	25	26	27
0	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.03	0.07	0.10	0.11	0.11	0.11	0.11	0.08	0.04	0.01	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
1	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.01	0.05	0.11	0.16	0.17	0.17	0.17	0.16	0.12	0.06	0.01	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
2	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.02	0.08	0.16	0.22	0.23	0.23	0.23	0.21	0.15	0.07	0.01	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
3	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.01	0.04	0.13	0.23	0.29	0.30	0.30	0.29	0.25	0.17	0.07	0.01	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
4	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.02	0.08	0.18	0.29	0.35	0.36	0.36	0.34	0.28	0.18	0.07	0.01	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
5	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.01	0.05	0.13	0.25	0.36	0.42	0.43	0.42	0.38	0.30	0.18	0.07	0.01	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
6	0.00	0.00	0.00	0.00	0.00	0.00	0.01	0.04	0.10	0.19	0.31	0.40	0.45	0.45	0.42	0.36	0.26	0.14	0.05	0.01	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
7	0.00	0.00	0.00	0.00	0.00	0.00	0.02	0.07	0.15	0.25	0.35	0.42	0.45	0.43	0.38	0.30	0.20	0.10	0.03	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
8	0.00	0.00	0.00	0.00	0.00	0.00	0.04	0.11	0.21	0.31	0.39	0.44	0.45	0.42	0.34	0.25	0.16	0.07	0.02	0.01	0.01	0.01	0.01	0.00	0.00	0.00	0.00	0.00
9	0.00	0.00	0.00	0.00	0.00	0.00	0.06	0.15	0.27	0.37	0.43	0.46	0.46	0.40	0.33	0.24	0.17	0.12	0.09	0.09	0.09	0.07	0.04	0.02	0.00	0.00	0.00	0.00
10	0.00	0.00	0.00	0.00	0.00	0.01	0.09	0.20	0.32	0.40	0.44	0.45	0.45	0.39	0.32	0.24	0.21	0.21	0.21	0.20	0.18	0.14	0.09	0.05	0.01	0.00	0.00	0.00
11	0.00	0.00	0.00	0.00	0.00	0.02	0.12	0.25	0.37	0.42	0.44	0.45	0.45	0.40	0.32	0.27	0.28	0.31	0.34	0.32	0.28	0.22	0.16	0.09	0.04	0.00	0.00	0.00
12	0.00	0.00	0.00	0.00	0.00	0.03	0.15	0.29	0.40	0.44	0.44	0.46	0.47	0.41	0.34	0.30	0.35	0.42	0.45	0.42	0.36	0.29	0.22	0.14	0.06	0.01	0.00	0.00
13	0.00	0.00	0.00	0.00	0.01	0.06	0.19	0.33	0.42	0.43	0.45	0.48	0.50	0.43	0.37	0.36	0.45	0.53	0.55	0.50	0.43	0.36	0.27	0.17	0.08	0.01	0.00	0.00
14	0.00	0.00	0.00	0.00	0.01	0.08	0.21	0.35	0.42	0.44	0.47	0.53	0.54	0.47	0.42	0.45	0.56	0.64	0.65	0.57	0.50	0.42	0.32	0.19	0.08	0.01	0.00	0.00
15	0.00	0.00	0.00	0.00	0.01	0.09	0.23	0.37	0.43	0.45	0.51	0.58	0.60	0.54	0.51	0.56	0.67	0.75	0.73	0.65	0.57	0.46	0.35	0.21	0.08	0.01	0.00	0.00
16	0.00	0.00	0.00	0.00	0.01	0.08	0.21	0.35	0.41	0.45	0.52	0.62	0.66	0.63	0.60	0.66	0.75	0.79	0.76	0.65	0.56	0.45	0.33	0.20	0.08	0.01	0.00	0.00
17	0.00	0.00	0.00	0.00	0.01	0.08	0.18	0.30	0.37	0.43	0.53	0.64	0.70	0.70	0.69	0.73	0.79	0.79	0.73	0.61	0.51	0.40	0.29	0.16	0.07	0.01	0.00	0.00
18	0.00	0.00	0.00	0.00	0.01	0.07	0.15	0.25	0.32	0.38	0.49	0.62	0.69	0.70	0.70	0.74	0.77	0.74	0.64	0.52	0.42	0.32	0.22	0.12	0.04	0.01	0.00	0.00
19	0.00	0.00	0.00	0.00	0.01	0.06	0.12	0.20	0.25	0.32	0.43	0.54	0.61	0.62	0.62	0.67	0.68	0.64	0.53	0.42	0.34	0.26	0.16	0.08	0.02	0.00	0.00	0.00
20	0.00	0.00	0.00	0.00	0.00	0.03	0.07	0.13	0.19	0.26	0.35	0.45	0.51	0.54	0.55	0.58	0.58	0.53	0.43	0.34	0.27	0.19	0.11	0.04	0.00	0.00	0.00	0.00
21	0.00	0.00	0.00	0.00	0.00	0.01	0.03	0.08	0.13	0.19	0.26	0.34	0.41	0.45	0.48	0.49	0.47	0.42	0.34	0.26	0.20	0.12	0.06	0.02	0.00	0.00	0.00	0.00
22	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.03	0.07	0.11	0.16	0.22	0.28	0.33	0.36	0.36	0.34	0.30	0.24	0.18	0.12	0.07	0.03	0.01	0.00	0.00	0.00	0.00
23	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.02	0.05	0.08	0.12	0.16	0.19	0.22	0.22	0.20	0.17	0.13	0.09	0.06	0.03	0.01	0.00	0.00	0.00	0.00	0.00
24	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.01	0.02	0.04	0.06	0.07	0.08	0.08	0.08	0.07	0.05	0.03	0.01	0.00	0.00	0.00	0.00	0.00	0.00	0.00
25	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
26	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
27	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00

'desborrado'

kernel = torch.tensor(
    [[ 0, -1,  0],
     [-1,  5, -1],
     [ 0, -1,  0]], dtype = torch.float
)
um_seis_desborrado = F.conv2d(um_seis.view(1,1,28,28), kernel.view(1,1,3,3), padding=1)
(pd.DataFrame(um_seis_desborrado.view(28,28))
   .style.set_properties(
       **{'font-size':'6pt', 
          'width': '18px', 
          'text-align': 
          'center'})
   .background_gradient('Greys_r', vmax = 1, vmin = 0)
   .format('{:.2f}')
)

	0	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17	18	19	20	21	22	23	24	25	26	27
0	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
1	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.41	-0.99	-0.71	-0.04	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
2	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.46	0.20	2.85	1.55	-0.83	-0.04	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
3	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.05	-0.86	1.78	1.14	2.11	0.46	-0.29	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
4	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.27	-0.11	1.85	1.20	1.48	-1.07	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
5	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.81	-0.03	1.54	1.52	0.46	-0.45	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
6	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.38	0.23	2.03	1.01	2.42	-1.23	-0.04	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
7	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.01	-1.07	0.97	1.35	1.64	0.46	-0.55	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
8	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.80	0.32	1.84	1.21	2.02	-0.99	-0.07	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
9	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.33	0.06	2.18	1.06	2.11	-1.11	-0.20	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
10	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.62	0.85	1.37	1.62	-0.43	-0.48	0.00	0.00	0.00	0.00	-0.37	-0.25	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
11	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-1.10	1.95	1.08	1.71	-0.23	-0.27	0.00	0.00	-0.14	-1.24	0.62	-0.13	-0.96	-0.04	0.00	0.00	0.00	0.00	0.00	0.00
12	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.20	-0.32	1.67	1.09	2.13	-0.01	-0.25	0.00	-0.49	-1.02	2.23	1.74	2.02	1.53	-1.18	-0.04	0.00	0.00	0.00	0.00	0.00
13	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.36	0.27	1.64	1.46	0.26	-0.76	0.00	-0.47	0.02	1.83	1.24	1.21	1.00	1.63	1.25	-0.84	0.00	0.00	0.00	0.00	0.00
14	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.36	-0.26	1.61	1.63	-0.07	-0.36	-0.13	-1.07	1.90	1.24	1.60	0.85	1.18	1.07	1.89	-0.23	-0.20	0.00	0.00	0.00	0.00
15	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.98	1.34	1.24	1.71	0.42	-0.36	-1.56	2.02	1.29	1.95	0.84	-2.91	1.54	1.09	2.12	0.15	-0.27	0.00	0.00	0.00	0.00
16	0.00	0.00	0.00	0.00	0.00	0.00	-0.25	0.28	2.07	1.08	1.62	-1.15	-1.09	1.73	1.35	1.71	-0.07	-1.64	1.96	1.19	1.42	0.91	-0.77	-0.02	0.00	0.00	0.00	0.00
17	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-1.07	1.45	1.35	1.64	-1.76	-0.21	1.92	1.13	1.57	-2.26	0.56	1.62	1.05	1.90	-0.74	-0.19	0.00	0.00	0.00	0.00	0.00
18	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.66	1.61	1.68	1.49	0.60	0.89	1.20	1.22	0.40	-0.09	1.89	0.98	1.40	1.31	-0.86	0.00	0.00	0.00	0.00	0.00	0.00
19	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.79	-1.25	2.64	1.42	1.20	0.99	0.98	1.24	1.44	0.99	1.24	1.76	-0.33	-0.25	0.00	0.00	0.00	0.00	0.00	0.00
20	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.35	-0.75	2.04	1.89	1.44	1.02	1.00	1.27	1.57	1.82	0.00	-0.59	0.00	0.00	0.00	0.00	0.00	0.00	0.00
21	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.28	-0.78	-0.53	0.54	2.23	2.32	0.97	0.86	-0.71	-0.48	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
22	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.06	-0.21	-0.54	-0.95	-0.99	-0.70	-0.54	-0.14	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
23	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
24	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
25	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
26	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
27	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00

Borda

kernel = torch.tensor(
    [[-1, -1, -1],
     [-1,  8, -1],
     [-1, -1, -1]], dtype = torch.float
)
um_seis_bordado = F.conv2d(um_seis.view(1,1,28,28), kernel.view(1,1,3,3), padding=1)
(pd.DataFrame(um_seis_bordado.view(28,28))
   .style.set_properties(
       **{'font-size':'6pt', 
          'width': '18px', 
          'text-align': 
          'center'})
   .background_gradient('Greys_r', vmax = 1, vmin = 0)
   .format('{:.2f}')
)

	0	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17	18	19	20	21	22	23	24	25	26	27
0	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
1	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.41	-1.40	-2.11	-1.74	-0.75	-0.04	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
2	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.05	-1.30	0.39	4.01	2.39	-1.70	-0.33	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
3	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.33	-2.11	2.05	1.22	3.02	-0.15	-0.33	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
4	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.76	-1.11	2.35	0.90	1.55	-2.51	-0.29	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
5	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.37	-2.05	-1.06	1.29	1.69	-0.15	-1.28	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
6	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.01	-1.05	-0.09	2.28	1.05	2.95	-2.59	-0.50	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
7	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.47	-2.40	0.55	1.14	1.60	0.09	-1.60	-0.04	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
8	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.33	-1.80	-0.28	1.89	1.40	2.13	-1.90	-0.57	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
9	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.95	-0.40	2.57	1.23	2.04	-2.13	-1.04	-0.07	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
10	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-1.85	0.71	1.14	1.42	-1.49	-1.66	-0.13	0.00	0.00	-0.37	-0.62	-0.62	-0.25	0.00	0.00	0.00	0.00	0.00	0.00	0.00
11	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.20	-2.67	2.46	0.52	2.09	-1.38	-0.87	0.00	-0.14	-1.01	-2.38	-0.12	-1.09	-1.98	-0.75	-0.04	0.00	0.00	0.00	0.00	0.00
12	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.56	-1.61	2.18	0.69	2.80	-0.78	-0.52	-0.35	-1.35	-1.94	2.62	2.49	2.65	1.78	-2.06	-0.68	0.00	0.00	0.00	0.00	0.00
13	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.93	-0.58	2.05	1.16	-0.43	-2.10	-0.37	-1.35	-0.19	1.67	1.31	0.36	0.51	1.67	1.28	-1.82	-0.20	0.00	0.00	0.00	0.00
14	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-1.46	-1.15	1.49	1.75	-0.97	-1.24	-0.95	-2.03	1.84	1.27	1.69	-0.34	1.06	0.53	2.45	-1.27	-0.47	0.00	0.00	0.00	0.00
15	0.00	0.00	0.00	0.00	0.00	0.00	-0.25	-2.32	1.31	0.96	2.32	-0.40	-1.49	-2.67	1.89	1.75	1.91	-0.35	-5.89	0.67	0.56	2.88	-0.60	-0.49	0.00	0.00	0.00	0.00
16	0.00	0.00	0.00	0.00	0.00	0.00	-0.25	-0.51	3.01	0.59	1.98	-3.28	-2.48	1.82	1.44	1.86	-1.82	-3.22	1.40	1.16	1.35	0.55	-1.85	-0.29	0.00	0.00	0.00	0.00
17	0.00	0.00	0.00	0.00	0.00	0.00	-0.25	-2.70	1.77	0.79	1.79	-4.33	-1.70	2.16	0.63	1.25	-5.09	-0.58	1.49	0.53	2.16	-1.96	-0.80	-0.02	0.00	0.00	0.00	0.00
18	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-1.48	2.48	1.63	2.32	-0.57	0.20	0.88	0.34	-0.31	-1.87	1.87	0.56	1.18	1.38	-2.06	-0.16	0.00	0.00	0.00	0.00	0.00
19	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.66	-1.68	-2.75	3.18	1.42	0.65	0.22	0.22	0.71	0.68	0.59	0.90	1.82	-0.92	-0.95	0.00	0.00	0.00	0.00	0.00	0.00
20	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.13	-1.34	-1.27	2.42	2.29	1.27	0.48	0.35	0.73	1.73	1.99	-0.33	-1.46	-0.25	0.00	0.00	0.00	0.00	0.00	0.00
21	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.22	-1.14	-1.81	-1.74	0.17	3.09	3.32	1.09	0.63	-1.63	-1.34	-0.35	0.00	0.00	0.00	0.00	0.00	0.00	0.00
22	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.06	-0.27	-0.81	-1.70	-2.48	-2.64	-2.23	-1.37	-0.67	-0.14	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
23	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
24	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
25	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
26	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
27	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00

(pd.DataFrame(um_seis.view(28,28))
   .style.set_properties(
       **{'font-size':'6pt', 
          'width': '18px', 
          'text-align': 
          'center'})
   .background_gradient('Greys_r', vmax = 1, vmin = 0)
   .format('{:.2f}')
)

	0	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17	18	19	20	21	22	23	24	25	26	27
0	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
1	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
2	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.41	0.99	0.71	0.04	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
3	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.05	0.84	0.99	0.98	0.29	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
4	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.27	0.99	0.99	0.78	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
5	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.44	0.99	0.99	0.45	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
6	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.37	0.96	0.99	0.99	0.04	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
7	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.01	0.67	0.99	0.99	0.50	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
8	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.46	0.99	0.99	0.84	0.07	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
9	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.33	0.99	0.99	0.91	0.13	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
10	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.62	0.99	0.99	0.35	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
11	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.90	0.99	0.99	0.27	0.00	0.00	0.00	0.00	0.00	0.37	0.25	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
12	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.20	0.95	1.00	0.98	0.25	0.00	0.00	0.00	0.14	0.87	0.99	0.99	0.71	0.04	0.00	0.00	0.00	0.00	0.00	0.00
13	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.36	0.99	0.99	0.52	0.00	0.00	0.00	0.35	0.86	0.99	0.99	0.99	0.99	0.64	0.00	0.00	0.00	0.00	0.00	0.00
14	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.36	0.99	0.99	0.36	0.00	0.00	0.13	0.87	0.99	0.99	0.76	0.96	0.99	0.94	0.20	0.00	0.00	0.00	0.00	0.00
15	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.73	0.99	0.99	0.36	0.00	0.00	0.82	0.99	0.99	0.60	0.04	0.90	0.99	0.99	0.27	0.00	0.00	0.00	0.00	0.00
16	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.25	0.97	0.99	0.91	0.03	0.00	0.74	0.98	0.99	0.42	0.15	0.82	0.98	0.99	0.62	0.02	0.00	0.00	0.00	0.00	0.00
17	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.82	0.99	0.91	0.04	0.32	0.99	0.99	0.87	0.02	0.54	0.99	0.99	0.95	0.16	0.00	0.00	0.00	0.00	0.00	0.00
18	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.66	0.89	0.99	0.68	0.77	0.99	0.99	0.76	0.53	0.99	0.99	0.99	0.70	0.00	0.00	0.00	0.00	0.00	0.00	0.00
19	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.13	0.99	0.99	0.99	0.99	0.99	0.99	0.99	0.99	0.99	0.87	0.25	0.00	0.00	0.00	0.00	0.00	0.00	0.00
20	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.22	0.86	0.99	0.99	0.99	0.99	0.99	0.99	0.85	0.35	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
21	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.06	0.21	0.54	0.95	0.99	0.70	0.54	0.14	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
22	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
23	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
24	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
25	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
26	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
27	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00

(
    0.99*-1 + 0.99*-1 + 0.99*-1 +
    0.94*0 + 0.99*0 + 0.62*0 +
    0.2*1 + 0.27*1 + 0.02*1
)

-2.4799999999999995

(
    0*-1 + 0.25*-1 + 0*-1 +
    0.73*0 + 0.97*0 + 0.82*0 +
    0.99*1 + 0.99*1 + 0.99*1
)

2.7199999999999998

kernel = torch.tensor(
    [[-1, 0, 1],
     [-1, 0, 1],
     [-1, 0, 1]], dtype = torch.float
)
um_seis_bordado = F.conv2d(um_seis.view(1,1,28,28), kernel.view(1,1,3,3), padding=1)
(pd.DataFrame(um_seis_bordado.view(28,28))
   .style.set_properties(
       **{'font-size':'6pt', 
          'width': '18px', 
          'text-align': 
          'center'})
   .background_gradient('Greys_r', vmax = 1, vmin = -1)
   .format('{:.2f}')
)

	0	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17	18	19	20	21	22	23	24	25	26	27
0	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
1	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.41	0.99	0.30	-0.96	-0.71	-0.04	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
2	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.05	1.25	1.93	0.44	-1.65	-1.69	-0.33	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
3	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.33	2.24	2.64	0.23	-2.64	-2.47	-0.33	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
4	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.76	2.82	2.20	-0.61	-2.67	-2.21	-0.29	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
5	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.37	1.68	2.59	1.29	-1.69	-2.96	-1.28	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
6	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.01	1.04	2.38	1.93	0.08	-2.47	-2.48	-0.50	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
7	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.47	2.03	2.47	0.79	-1.38	-2.78	-1.56	-0.04	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
8	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.33	1.47	2.31	1.43	-0.68	-2.32	-1.96	-0.57	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
9	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.95	2.45	2.02	-0.20	-2.00	-2.18	-0.97	-0.07	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
10	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	1.85	2.98	1.11	-1.44	-2.84	-1.53	-0.13	0.00	0.00	0.37	0.25	-0.37	-0.25	0.00	0.00	0.00	0.00	0.00	0.00	0.00
11	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.20	2.47	2.78	0.48	-2.12	-2.95	-0.87	0.00	0.14	0.87	1.22	0.37	-0.65	-1.20	-0.71	-0.04	0.00	0.00	0.00	0.00	0.00
12	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.56	2.84	2.42	-0.36	-2.47	-2.48	-0.52	0.35	1.00	1.51	1.35	0.37	-0.65	-1.55	-1.70	-0.68	0.00	0.00	0.00	0.00	0.00
13	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.93	2.93	2.05	-1.07	-2.74	-1.85	-0.12	1.22	1.86	1.63	0.76	0.10	-0.05	-1.33	-2.50	-1.62	-0.20	0.00	0.00	0.00	0.00
14	0.00	0.00	0.00	0.00	0.00	0.00	0.00	1.46	2.96	1.51	-1.73	-2.98	-1.24	0.95	2.21	1.89	0.36	-1.05	0.28	1.19	-0.28	-2.51	-2.57	-0.47	0.00	0.00	0.00	0.00
15	0.00	0.00	0.00	0.00	0.00	0.00	0.25	2.07	2.71	0.82	-2.21	-2.89	-0.01	1.93	2.11	0.46	-1.12	-0.77	1.11	1.35	-0.30	-2.49	-2.55	-0.49	0.00	0.00	0.00	0.00
16	0.00	0.00	0.00	0.00	0.00	0.00	0.25	2.52	2.72	0.29	-2.54	-2.50	1.31	2.48	1.12	-1.37	-1.56	0.43	1.58	1.08	-1.11	-2.64	-1.77	-0.29	0.00	0.00	0.00	0.00
17	0.00	0.00	0.00	0.00	0.00	0.00	0.25	2.45	2.62	0.36	-2.13	-1.73	1.98	1.87	-0.11	-1.99	-0.94	1.84	1.28	-0.16	-2.18	-2.62	-0.78	-0.02	0.00	0.00	0.00	0.00
18	0.00	0.00	0.00	0.00	0.00	0.00	0.00	1.48	2.01	1.42	-0.31	-0.82	1.27	0.89	-0.35	-1.43	-0.10	1.43	0.33	-1.07	-2.68	-1.89	-0.16	0.00	0.00	0.00	0.00	0.00
19	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.66	1.02	1.54	1.51	0.55	0.44	0.22	-0.22	-0.45	0.22	0.32	-0.76	-1.89	-2.20	-0.95	0.00	0.00	0.00	0.00	0.00	0.00
20	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.13	1.21	1.78	0.98	0.61	0.74	0.46	-0.25	-0.46	-0.69	-1.30	-1.73	-1.21	-0.25	0.00	0.00	0.00	0.00	0.00	0.00
21	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.22	0.92	0.98	0.61	0.74	0.46	-0.25	-0.46	-0.69	-1.18	-0.99	-0.35	0.00	0.00	0.00	0.00	0.00	0.00	0.00
22	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.06	0.21	0.48	0.74	0.45	-0.25	-0.45	-0.56	-0.54	-0.14	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
23	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
24	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
25	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
26	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
27	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00

kernel = torch.tensor(
    [[-1, -1, -1],
     [ 0,  0,  0],
     [ 1,  1,  1]], dtype = torch.float
)
um_seis_bordado = F.conv2d(um_seis.view(1,1,28,28), kernel.view(1,1,3,3), padding=1)
(pd.DataFrame(um_seis_bordado.view(28,28))
   .style.set_properties(
       **{'font-size':'6pt', 
          'width': '18px', 
          'text-align': 
          'center'})
   .background_gradient('Greys_r', vmax = 1, vmin = -1)
   .format('{:.2f}')
)

	0	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17	18	19	20	21	22	23	24	25	26	27
0	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
1	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.41	1.40	2.11	1.74	0.75	0.04	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
2	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.05	0.89	1.88	2.81	2.26	1.27	0.29	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
3	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.27	0.85	0.85	0.65	0.03	0.04	-0.04	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
4	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.39	0.53	0.53	-0.38	-0.82	-0.82	-0.29	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
5	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.37	1.06	1.06	0.69	-0.74	-0.74	-0.74	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
6	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.01	0.68	1.23	1.22	0.07	-0.94	-0.94	-0.45	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
7	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.46	1.08	1.10	0.49	-1.04	-1.11	-0.96	-0.04	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
8	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.33	1.31	1.64	1.22	-0.62	-1.44	-1.36	-0.50	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
9	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.62	1.15	1.15	-0.11	-1.48	-1.55	-0.91	-0.07	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
10	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.57	0.57	0.57	-0.64	-0.77	-0.77	-0.13	0.00	0.00	0.37	0.62	0.62	0.25	0.00	0.00	0.00	0.00	0.00	0.00	0.00
11	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.20	0.54	0.55	0.33	-0.11	-0.11	-0.10	0.00	0.14	1.01	2.00	2.85	2.69	1.74	0.75	0.04	0.00	0.00	0.00	0.00	0.00
12	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.36	0.45	0.45	-0.38	-0.74	-0.74	-0.27	0.35	1.21	2.20	2.46	2.35	2.35	2.38	1.64	0.64	0.00	0.00	0.00	0.00	0.00
13	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.16	0.20	0.19	-0.59	-0.87	-0.86	-0.12	1.00	1.84	1.84	0.74	-0.14	0.03	1.16	1.38	1.10	0.20	0.00	0.00	0.00	0.00
14	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.37	0.37	0.37	-0.16	-0.16	-0.16	0.82	1.47	1.60	0.38	-1.21	-1.43	-1.04	0.26	0.62	0.62	0.27	0.00	0.00	0.00	0.00
15	0.00	0.00	0.00	0.00	0.00	0.00	0.25	0.86	0.86	0.53	-0.41	-0.41	0.41	1.60	1.72	0.40	-1.29	-1.35	-0.76	0.07	-0.31	-0.50	-0.50	-0.17	0.00	0.00	0.00	0.00
16	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.08	0.09	0.01	-0.40	-0.09	0.98	1.48	1.04	-0.93	-1.15	-0.07	0.99	1.00	-0.78	-1.14	-1.09	-0.27	0.00	0.00	0.00	0.00
17	0.00	0.00	0.00	0.00	0.00	0.00	-0.25	-0.56	-0.66	-0.33	0.63	1.50	1.67	1.03	0.02	-0.11	0.72	1.12	1.01	-0.12	-0.90	-0.93	-0.64	-0.02	0.00	0.00	0.00	0.00
18	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.82	-1.68	-1.60	0.16	1.70	1.62	0.66	0.12	1.09	1.54	1.41	0.32	-0.83	-0.99	-0.87	-0.16	0.00	0.00	0.00	0.00	0.00
19	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.66	-1.55	-2.33	-1.48	-0.38	0.40	0.22	0.24	0.69	0.69	0.32	-0.78	-1.47	-1.34	-0.70	0.00	0.00	0.00	0.00	0.00	0.00
20	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.13	-1.12	-2.05	-2.70	-2.16	-1.27	-0.49	-0.33	-0.74	-1.59	-2.17	-1.96	-1.11	-0.25	0.00	0.00	0.00	0.00	0.00	0.00
21	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.22	-1.08	-2.07	-2.84	-2.96	-2.97	-2.97	-2.97	-2.83	-2.19	-1.20	-0.35	0.00	0.00	0.00	0.00	0.00	0.00	0.00
22	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	-0.06	-0.27	-0.81	-1.70	-2.48	-2.64	-2.23	-1.37	-0.67	-0.14	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
23	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
24	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
25	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
26	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
27	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00

kernel = torch.tensor(
    [[-1, -1, -1],
     [ 0,  0,  0],
     [ 1,  1,  1]], dtype = torch.float
)
plt.imshow(kernel, cmap = 'bwr');

CNN

Path: /root/.fastai/data/mnist_png

• tarining

  • 0
  • 1
  • 2
  • ...

• testing

  • 0
  • 1
  • 2
  • ...

path.ls()

(#2) [Path('/root/.fastai/data/mnist_png/training'),Path('/root/.fastai/data/mnist_png/testing')]

dls = DataBlock(
    blocks = (ImageBlock(cls=PILImageBW), CategoryBlock),
    get_items = get_image_files,
    splitter = GrandparentSplitter(train_name='training', valid_name='testing'),
    get_y = parent_label
).dataloaders(path, bs = 128, num_workers = 10)
dls.show_batch()

learn = Learner(dls, xresnet18(c_in = 1), metrics = error_rate)

learn.fit_one_cycle(5)

epoch	train_loss	valid_loss	error_rate	time
0	0.095464	0.093186	0.029300	00:17
1	0.056486	0.045684	0.015800	00:17
2	0.028911	0.031794	0.010800	00:16
3	0.010618	0.018615	0.006500	00:17
4	0.004242	0.018373	0.005600	00:17

/usr/local/lib/python3.7/dist-packages/torch/nn/functional.py:718: UserWarning: Named tensors and all their associated APIs are an experimental feature and subject to change. Please do not use them for anything important until they are released as stable. (Triggered internally at  /pytorch/c10/core/TensorImpl.h:1156.)
  return torch.max_pool2d(input, kernel_size, stride, padding, dilation, ceil_mode)

model = learn.model

kernels = model[0][0].weight.cpu().detach().numpy()
kernels

kernels.shape

(32, 1, 3, 3)

cols = 8
rows = 4
fig = plt.figure(figsize=(cols, 1.2*rows))
for i in range(rows*cols):
  img = kernels[i, 0]
  fig.add_subplot(rows, cols, i + 1)
  plt.imshow(img, cmap='bwr')
  plt.title(f'K{i+1}')
  plt.axis('off')
plt.show()

learn.summary()

XResNet (Input shape: 128)
============================================================================
Layer (type)         Output Shape         Param #    Trainable 
============================================================================
                     128 x 32 x 14 x 14  
Conv2d                                    288        True      
BatchNorm2d                               64         True      
ReLU                                                           
Conv2d                                    9216       True      
BatchNorm2d                               64         True      
ReLU                                                           
____________________________________________________________________________
                     128 x 64 x 14 x 14  
Conv2d                                    18432      True      
BatchNorm2d                               128        True      
ReLU                                                           
MaxPool2d                                                      
Conv2d                                    36864      True      
BatchNorm2d                               128        True      
ReLU                                                           
Conv2d                                    36864      True      
BatchNorm2d                               128        True      
Sequential                                                     
ReLU                                                           
Conv2d                                    36864      True      
BatchNorm2d                               128        True      
ReLU                                                           
Conv2d                                    36864      True      
BatchNorm2d                               128        True      
Sequential                                                     
ReLU                                                           
____________________________________________________________________________
                     128 x 128 x 4 x 4   
Conv2d                                    73728      True      
BatchNorm2d                               256        True      
ReLU                                                           
Conv2d                                    147456     True      
BatchNorm2d                               256        True      
____________________________________________________________________________
                     []                  
AvgPool2d                                                      
____________________________________________________________________________
                     128 x 128 x 4 x 4   
Conv2d                                    8192       True      
BatchNorm2d                               256        True      
ReLU                                                           
Conv2d                                    147456     True      
BatchNorm2d                               256        True      
ReLU                                                           
Conv2d                                    147456     True      
BatchNorm2d                               256        True      
Sequential                                                     
ReLU                                                           
____________________________________________________________________________
                     128 x 256 x 2 x 2   
Conv2d                                    294912     True      
BatchNorm2d                               512        True      
ReLU                                                           
Conv2d                                    589824     True      
BatchNorm2d                               512        True      
____________________________________________________________________________
                     []                  
AvgPool2d                                                      
____________________________________________________________________________
                     128 x 256 x 2 x 2   
Conv2d                                    32768      True      
BatchNorm2d                               512        True      
ReLU                                                           
Conv2d                                    589824     True      
BatchNorm2d                               512        True      
ReLU                                                           
Conv2d                                    589824     True      
BatchNorm2d                               512        True      
Sequential                                                     
ReLU                                                           
____________________________________________________________________________
                     128 x 512 x 1 x 1   
Conv2d                                    1179648    True      
BatchNorm2d                               1024       True      
ReLU                                                           
Conv2d                                    2359296    True      
BatchNorm2d                               1024       True      
____________________________________________________________________________
                     []                  
AvgPool2d                                                      
____________________________________________________________________________
                     128 x 512 x 1 x 1   
Conv2d                                    131072     True      
BatchNorm2d                               1024       True      
ReLU                                                           
Conv2d                                    2359296    True      
BatchNorm2d                               1024       True      
ReLU                                                           
Conv2d                                    2359296    True      
BatchNorm2d                               1024       True      
Sequential                                                     
ReLU                                                           
AdaptiveAvgPool2d                                              
Flatten                                                        
Dropout                                                        
____________________________________________________________________________
                     128 x 1000          
Linear                                    513000     True      
____________________________________________________________________________

Total params: 11,708,168
Total trainable params: 11,708,168
Total non-trainable params: 0

Optimizer used: <function Adam at 0x7f0e15897050>
Loss function: FlattenedLoss of CrossEntropyLoss()

Model unfrozen

Callbacks:
  - TrainEvalCallback
  - Recorder
  - ProgressCallback

cols = 8
rows = 4
fig = plt.figure(figsize=(cols, 1.2*rows))
for i in range(rows*cols):
  img = F.conv2d(um_seis.view(1,1,28,28), tensor(kernels[i:i+1]), stride=1, padding=1).view(28,28)
  fig.add_subplot(rows, cols, i + 1)
  plt.imshow(img, cmap='bwr')
  plt.title(f'K{i+1}')
  plt.axis('off')
plt.show()