Couches de convolution (SeparableConv2D)

Fonctions :

• SeparableConv2D()

  SeparableConv2D est une couche de convolution 2D factorisée en deux étapes : une convolution en profondeur (depthwise) suivie d’une convolution pointwise (1x1). Elle permet de réduire le nombre de paramètres tout en conservant une bonne performance, notamment dans les réseaux légers (comme MobileNet).

  Importation :

  from tensorflow.keras.models import Sequential
  from tensorflow.keras.layers import SeparableConv2D, Flatten, Dense
  import numpy as np

  Attributs :

  Paramètre	Type	Description	Valeur par défaut
  filters	int	Nombre de filtres de sortie (dimensionnalité de la sortie).	Obligatoire
  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' (conservation de taille).	'valid'
  depth_multiplier	int	Nombre de filtres par canal d’entrée lors de la convolution en profondeur.	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 SeparableConv2D, Flatten, Dense
  import numpy as np
  
  # Données simulées : 100 images 28x28 en niveaux de gris (1 canal)
  X = np.random.rand(100, 28, 28, 1)
  y = np.random.randint(0, 10, size=(100,))
  
  # Création du modèle
  model = Sequential()
  model.add(SeparableConv2D(filters=16, kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 1)))
  model.add(Flatten())
  model.add(Dense(10, activation='softmax'))
  
  model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
  model.summary()

  Explication du code :

  Importation des bibliothèques
   On importe les modules nécessaires depuis Keras et génère des données aléatoires avec NumPy. 
  Création des données
   Les images d’entrée sont des matrices 28×28 avec un seul canal. Les étiquettes vont de 0 à 9 pour un problème de classification à 10 classes. 
  Définition du modèle
   `SeparableConv2D` applique une convolution factorisée (depthwise + pointwise) avec 16 filtres. Cette couche est suivie d’un aplatissement et d’une couche `Dense` pour la classification. 
  Compilation
   Le modèle est compilé pour un problème de classification multi-classes avec l’optimiseur Adam.