Couches de convolution (Conv3D)

Fonctions :

• Conv3D()

  Conv3D est une couche de convolution pour les entrées en trois dimensions, typiquement utilisée pour des données volumétriques ou des séquences d'images (comme des vidéos). Elle applique des filtres convolutifs en 3D pour extraire des caractéristiques spatiales et/ou temporelles.

  Importation :

  from tensorflow.keras.models import Sequential
  from tensorflow.keras.layers import Conv3D, 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 (profondeur, hauteur, largeur).	Obligatoire
  strides	int ou tuple	Pas de déplacement du noyau sur chaque axe.	(1, 1, 1)
  padding	str	'valid' (pas de remplissage) ou 'same' (remplissage automatique).	'valid'
  activation	str ou fonction	Fonction d’activation non-linéaire.	None
  input_shape	tuple	Forme de l’entrée (profondeur, hauteur, largeur, canaux).	Doit être précisé dans la première couche

  Exemple de code :

  📋 Copy

  from tensorflow.keras.models import Sequential
  from tensorflow.keras.layers import Conv3D, Flatten, Dense
  import numpy as np
  
  # Données simulées : 10 volumes 3D de 10x28x28 pixels avec 1 canal
  X = np.random.rand(10, 10, 28, 28, 1)  # (samples, depth, height, width, channels)
  y = np.random.randint(0, 2, size=(10,))
  
  # Création du modèle
  model = Sequential()
  model.add(Conv3D(filters=8, kernel_size=(3, 3, 3), activation='relu', input_shape=(10, 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

  On utilise Keras (TensorFlow) pour créer un modèle avec une couche de convolution en 3D. NumPy génère des données d'entrée artificielles.

  Création des données

  Les données d'entrée représentent 10 volumes (ou vidéos) de taille 10×28×28 pixels avec un seul canal. Les étiquettes sont binaires pour une tâche de classification.

  Définition du modèle

  La couche `Conv3D` applique 8 filtres 3×3×3 sur les volumes d'entrée. La sortie est aplatie puis transmise à une couche `Dense` avec activation `sigmoid`.

  Compilation

  Le modèle est compilé avec l’optimiseur Adam et une fonction de perte adaptée à la classification binaire.