Couches de convolution (DepthwiseConv2D)

Fonctions :

• DepthwiseConv2D()

  DepthwiseConv2D applique une convolution indépendante à chaque canal d'entrée (pas de combinaison entre les canaux). Elle est utilisée dans les architectures efficaces comme MobileNet pour réduire le nombre de paramètres et le coût computationnel.

  Importation :

  from tensorflow.keras.models import Sequential
  from tensorflow.keras.layers import DepthwiseConv2D, Flatten, Dense
  import numpy as np

  Attributs :

  Paramètre	Type	Description	Valeur par défaut
  kernel_size	int ou tuple	Taille du noyau de convolution (hauteur, largeur).	Obligatoire
  strides	int ou tuple	Pas de déplacement de la convolution.	(1, 1)
  padding	str	'valid' (sans remplissage) ou 'same' (conserve la taille de sortie).	'valid'
  depth_multiplier	int	Nombre de convolutions à appliquer par canal d'entrée.	1
  activation	str ou fonction	Fonction d’activation à appliquer.	None
  input_shape	tuple	Forme des données d’entrée (hauteur, largeur, canaux).	À spécifier dans la première couche

  Exemple de code :

  📋 Copy

  from tensorflow.keras.models import Sequential
  from tensorflow.keras.layers import DepthwiseConv2D, Flatten, Dense
  import numpy as np
  
  # Données simulées : 100 images 28x28 avec 3 canaux
  X = np.random.rand(100, 28, 28, 3)
  y = np.random.randint(0, 5, size=(100,))
  
  # Modèle simple avec DepthwiseConv2D
  model = Sequential()
  model.add(DepthwiseConv2D(kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 3)))
  model.add(Flatten())
  model.add(Dense(5, activation='softmax'))
  
  model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
  model.summary()

  Explication du code :

  Importation des bibliothèques
   On utilise `DepthwiseConv2D` depuis Keras, ainsi que `Dense` et `Flatten` pour la construction du modèle. 
  Création des données
   Les données d’entrée sont des images simulées de taille 28×28 avec 3 canaux (par exemple, des images RGB). Les étiquettes correspondent à une classification en 5 classes. 
  Définition du modèle
   La couche `DepthwiseConv2D` applique des filtres séparés pour chaque canal d'entrée. Cela réduit considérablement le nombre de paramètres par rapport à une convolution classique. 
  Compilation
   Le modèle est compilé avec l’optimiseur Adam pour un problème de classification multi-classes.