Karteikarten: Principes fondamentaux des CNN — 24 Karten

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.