Réseau playground
CNN : convolutional neural networks (réseau de neurones convolutionnel)
aussi appelé ConvNet
particulièrement performants car ils sont capables d’apprendre des caractéristiques spatiales et locales de manière très efficace.
parfois on dit que les CNN apprennent une “hiérarchie de caractéristiques” :
convolution pour traiter les données
filtres (ou kernels ou noyaux) sur les données d’entrée.
FCNN : https://adamharley.com/nn_vis/fc/2d.html
CNN : https://adamharley.com/nn_vis/cnn/2d.html
Exemple de visualisation du CNN de l’application interactive :

Ce réseau de neurones vu de la façon LeNet :

Ce réseau de neurones vu de la façon AlexNet :

Ce réseau de neurones vu de la façon AlexNet, en faisant appraître la taille des données et filtres, ainsi que le nombre de canaux (channels) :

Il y a donc significativement moins de paramètres que dans une couche pleinemenet connecté.
Exemple :
Dans la première couche, il y a 5x5+1=26 paramètres par canal (25 “poids” pour le filtre, et 1 biais), soit un total de 156 paramètres.
Convolutional layer : application d’un filtre de convolution. Paramètres :
Max-Pooling layer : regroupement de pixel en prenant la plus grande valeur. Paramètres :
Dropout layer : enlever certains pixels. Paramètres :
Flattening layer : applatir les données, p.ex. passer d’une taille de données de (AxA) en (A*A). C’est souvent utilisé avant de passer à une couche pleinement connecté (fully-connected).
Architecture :
Entrainement :
Quant aux fonctions d’activations pour ce réseau de neurones, il y a plusieurs possibilités :
Par exemple, nous pouvons choisir la fonction d’activation \(tanh\) pour les neurones dans la couche cachée, et la fonction \(sigmoid\) pour le neurone de la couche de sortie.

Patrick Reuter - http://www.labri.fr/perso/preuter/dl2025