Wat is Stride?
De stapgrootte waarmee een filter over een afbeelding of dataset schuift bij het verwerken. Een grotere stride betekent minder stappen en dus een kleinere output.
Hoe werkt het eigenlijk?
Stel je voor dat je een ruitenwasser bent die een groot raam schoonmaakt met een vierkante lap. Je kunt ervoor kiezen om de lap elke keer één tegel naar rechts te schuiven (kleine stappen), of om hele rijen over te slaan en meteen drie tegels op te schuiven (grote stappen). Dat verschil in stapgrootte — dat is stride.
In een neuraal netwerk, en vooral in convolutional neural networks (CNN's), schuift een filter over een afbeelding om patronen te herkennen. Stride bepaalt hoeveel pixels dat filter opschuift bij elke stap. Een stride van 1 betekent dat het filter elke keer één pixel opschuift — je krijgt dan veel overlappende waarnemingen en dus veel detailinformatie. Een stride van 2 schuift twee pixels per keer op, wat sneller gaat en minder data oplevert.
Waarom zou jij hier iets aan hebben?
Stride heeft directe invloed op twee dingen: de grootte van je output én de rekenkracht die je nodig hebt. Een kleine stride (bijvoorbeeld 1) geeft je een gedetailleerde, grote output-kaart — handig als je fijne details wilt detecteren, zoals de contouren van objecten. Maar het kost meer rekenkracht.
Een grote stride (bijvoorbeeld 2 of 3) verkleint de output sneller en vraagt minder berekeningen. Dit wordt vaak gebruikt in de diepere lagen van een netwerk, waar je vooral de grote lijnen wilt oppakken en niet elk piepklein detail hoeft te analyseren. Het is een bewuste afweging: detail versus snelheid.
Denk aan gezichtsherkenning: in de eerste lagen wil je alle details van ogen, neus en mond zien (stride 1), maar dieper in het netwerk volstaan grovere patronen om een gezicht te herkennen (stride 2 of meer).
Een voorbeeld uit de praktijk
Bij beeldherkenningsmodellen zoals ResNet of MobileNet zie je vaak dat de eerste laag een stride van 2 gebruikt om de afbeelding meteen in te dikken — van bijvoorbeeld 224×224 pixels naar 112×112. Dat scheelt enorm in geheugen en rekentijd, terwijl je nog steeds de belangrijkste structuren behoudt.
In medische beeldanalyse kies je juist vaak voor stride 1 in de vroege lagen: daar wil je geen details missen, omdat een piepklein vlekje op een röntgenfoto cruciaal kan zijn voor de diagnose.
Waar kom je het tegen?
Stride is een standaard-instelling in alle frameworks en tools die convolutional layers gebruiken:
TensorFlow / Keras — je stelt stride in bij Conv2D-layers
Pre-trained modellen (ResNet, VGG, EfficientNet) — hebben vaste stride-waardes die je kunt inspecteren in de architectuur
Je ziet het niet rechtstreeks in een eindgebruikers-app zoals ChatGPT of Midjourney, maar elke keer dat zo'n tool een afbeelding analyseert of genereert, speelt stride onder de motorkap een rol.
Zelf aan de slag
Als je een eigen beeldherkenningsmodel bouwt of aanpast, is stride een van de eerste knoppen waar je aan kunt draaien. Experimenteer ermee: verhoog de stride en zie hoe je output kleiner wordt en je training sneller gaat. Verlaag hem en merk hoe je meer detail krijgt, maar ook meer geheugen nodig hebt. Het is een krachtige hefboom tussen nauwkeurigheid en efficiëntie — en nu weet je precies wat je ermee doet.
Veelgestelde vragen over Stride
De drie meest gestelde vragen over dit onderwerp, kort beantwoord.
Wat is Stride?
De stapgrootte waarmee een filter over een afbeelding of dataset schuift bij het verwerken. Een grotere stride betekent minder stappen en dus een kleinere output.
Waarom is Stride belangrijk?
Stel je voor dat je een ruitenwasser bent die een groot raam schoonmaakt met een vierkante lap. Je kunt ervoor kiezen om de lap elke keer één tegel naar rechts te schuiven (kleine stappen), of om hele rijen over te slaan en meteen drie tegels op te schuiven (grote stappen). Dat verschil in stapgrootte — dat is stride.
Hoe wordt Stride toegepast?
In een neuraal netwerk, en vooral in convolutional neural networks (CNN's), schuift een filter over een afbeelding om patronen te herkennen. Stride bepaalt hoeveel pixels dat filter opschuift bij elke stap. Een stride van 1 betekent dat het filter elke keer één pixel opschuift — je krijgt dan veel overlappende waarnemingen en dus veel detailinformatie. Een stride van 2 schuift twee pixels per keer op, wat sneller gaat en minder data oplevert.