Couches de convolution (Conv2D)

Fonctions :

  • Conv2D()

    Conv2D est une couche de convolution utilisée pour traiter des données d’entrée en 2D, telles que des images. Elle extrait automatiquement des caractéristiques visuelles (textures, bords, motifs) en appliquant des filtres convolutifs.

    Importation :

    from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, Flatten, Dense
import numpy as np

    Attributs :

    Paramètre Type Description Valeur par défaut
    filters int Nombre de filtres de convolution (profondeur de sortie). Obligatoire
    kernel_size int ou tuple Taille du noyau de convolution (hauteur, largeur). Obligatoire
    strides int ou tuple Pas de déplacement du noyau sur l’image. (1, 1)
    padding str 'valid' (sans remplissage) ou 'same' (avec remplissage pour conserver la taille). 'valid'
    activation str ou fonction Fonction d’activation appliquée à la sortie. None
    input_shape tuple Forme des données d’entrée (hauteur, largeur, canaux). Doit être défini dans la première couche

    Exemple de code :

    from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, Flatten, Dense
import numpy as np

# Données simulées : 100 images de 28x28 pixels avec 1 canal (niveaux de gris)
X = np.random.rand(100, 28, 28, 1)
y = np.random.randint(0, 2, size=(100,))

# Création d’un modèle avec une couche Conv2D
model = Sequential()
model.add(Conv2D(filters=16, kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(Flatten())
model.add(Dense(1, activation='sigmoid'))

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
model.summary()

    Explication du code :

    Importation des bibliothèques
     La bibliothèque Keras est utilisée pour créer un modèle de réseau de neurones convolutifs. NumPy sert à générer des images simulées. 
    Création des données
     On génère 100 images de 28×28 pixels avec un seul canal (images en niveaux de gris). Les étiquettes associées sont binaires (classification à 2 classes). 
    Définition du modèle
     La couche `Conv2D` applique 16 filtres 3×3 aux images d’entrée. L’activation ReLU est utilisée pour introduire de la non-linéarité. Ensuite, la sortie est aplanie avec `Flatten` puis transmise à une couche dense avec activation sigmoïde. 
    Compilation et résumé
     Le modèle est compilé avec l’optimiseur Adam, une fonction de perte adaptée à la classification binaire, et affiche sa structure avec `summary()`.