modèle d'apprentissage profond

L'une des couches les plus importantes de CNN

Les couches convolutives extraient les caractéristiques locales des données d'entrée à l'aide d'opérations de convolution. L'opération de convolution est mise en œuvre en faisant glisser des noyaux de convolution (filtres) sur les données d'entrée. Chaque noyau de convolution est utilisé pour détecter des caractéristiques spécifiques dans l'entrée.

La couche de pooling est utilisée pour réduire la taille spatiale de la sortie de la couche convolutive, réduire la complexité de calcul et extraire des informations importantes sur les caractéristiques.

Les opérations de pooling courantes incluent le pooling maximum (en prenant la valeur maximale dans le quartier) et le pooling moyen (en prenant la valeur moyenne dans le quartier)

Après la couche convolutive, une fonction d'activation est généralement appliquée pour introduire des propriétés non linéaires. Les fonctions d'activation courantes incluent ReLU (Rectified Linear Unit), etc., qui aident le réseau à apprendre les relations non linéaires.

Après les couches de convolution et de pooling, une couche entièrement connectée est généralement utilisée pour mapper les entités extraites aux catégories de sortie. Une couche entièrement connectée connecte tous les nœuds de la couche précédente à chaque nœud de la couche suivante.

Utilisé pour accélérer le processus de formation des réseaux profonds, en normalisant les données de chaque mini-lot, il contribue à améliorer la stabilité et la vitesse de convergence du réseau.

Une structure CNN typique comprend une alternance de couches convolutives et de pooling, et enfin une couche entièrement connectée. La structure de l’ensemble du réseau se compose généralement d’une couche d’entrée, d’une couche cachée et d’une couche de sortie.

Les noyaux de convolution de la couche convolutive sont partagés, ce qui signifie qu'ils sont utilisés pour extraire des fonctionnalités dans tout l'espace d'entrée. Cela réduit efficacement le nombre de paramètres et améliore la capacité de généralisation du réseau.