1. Qu'est-ce qu'une couche convolutionnelle dans un réseau de neurones convolutifs (CNN) ?
2. Quelle est la formule pour calculer la dimension de la sortie d'une convolution 2D avec padding zéro, stride s, et filtre de taille f, appliquée à une entrée de dimension w ?
3. Quel est le rôle principal de la formule de calcul de la dimension des tenseurs en convolution dans un CNN ?
Couches convolutionnelles — rôle ?
Extraire des caractéristiques locales dans une image.
Filtrage — définition ?
Application d’un kernel pour détecter motifs ou contours.
Dimension tenseur — formule ?
(w_out, h_out, c_out) selon padding, stride, f.
Paramètres convolutionnels — calcul ?
Taille du filtre, nombre de filtres, biais.
Opérations convolution — mécanisme ?
Produit scalaire entre filtre et sous-zone, puis somme.
Padding zéro — effet ?
Conserve ou ajuste la taille de la sortie.
La fiche de révision couvre les notions essentielles de Principes fondamentaux des CNN. Elle est structurée par thématiques pour faciliter l'apprentissage et la mémorisation, avec des définitions clés, des explications et des synthèses.
Lire la fiche complète →Le QCM contient 12 questions à choix multiples avec corrections détaillées et explications pour chaque réponse. Idéal pour tester vos connaissances et identifier vos lacunes.
Faire le QCM (12 questions) →Revizly propose 24 flashcards interactives sur Principes fondamentaux des CNN. Chaque carte présente une question au recto et la réponse au verso, permettant une révision active et efficace basée sur la répétition espacée.
Voir toutes les 24 flashcards →Intelligence Artificielle
Bases de données
Bases de données
Bases de données
Importe ton PDF ou colle ton cours, l'IA génère fiches, QCM et flashcards en 30 secondes.