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 :

  📋 Copy

  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()`.