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.
Stride — rôle ?
Contrôler la réduction dimensionnelle.
Pooling — principe ?
Réduire la taille en conservant réponses fortes.
Partage de paramètres — avantage ?
Réduit le nombre de paramètres, facilite l’apprentissage.
LeNet-5 — architecture ?
Premier CNN, reconnu pour la reconnaissance de chiffres.
Visualisation filtres — objectif ?
Interpréter ce que le réseau apprend à détecter.
Apprentissage représentations — processus ?
Extraction hiérarchique de caractéristiques par couches.
Taille sortie convolution — formule ?
(w_in + 2p - f)/s + 1, même pour h.
Filtres kernels — rôle ?
Détecter contours, textures, gradients.
Dimension sans padding — formule ?
w_out = w_in - f + 1, h_out = h_in - f + 1.
Paramètres couche convolution — calcul ?
f×f×#channels×#filters + #filters.
Opérations convolution — coût ?
Multiplications et additions selon taille et filtres.
Padding — but ?
Contrôler la taille de la sortie.
Stride — effet ?
Réduit la dimension de la réponse.
Pooling max — principe ?
Prendre la valeur maximale dans une région.
Partage paramètres — impact ?
Moins de paramètres, meilleure généralisation.
Architectures célèbres — exemples ?
LeNet, AlexNet, VGG, ResNet.
Visualisation filtres — méthode ?
Représentation graphique des filtres appris.
Représentations CNN — rôle ?
Transformer données brutes en caractéristiques hiérarchiques.
Teste tes connaissances avec un QCM de 12 questions sur Principes fondamentaux des CNN.
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 ?
Révisez le cours complet dans la fiche de révision de Principes fondamentaux des CNN.
Voir la fiche →Importe ton cours et l'IA génère des flashcards en 30 secondes.
Générateur de flashcards