🧠 Réseau de neurones convolutif

ReLU applique f(x)=max(0,x), ramenant chaque valeur négative à zéro. Cela introduit une non-linéarité, ce qui permet au réseau de représenter des frontières de décision complexes et courbes plutôt que de simples combinaisons linéaires de pixels. Sans activation non linéaire, l'empilement de nombreuses couches s'effondrerait en une seule transformation linéaire.

La couche de max-pooling 2×2 prend la plus grande valeur de chaque fenêtre 2×2 non chevauchante, divisant par deux la largeur et la hauteur. Cela conserve les activations les plus fortes, réduit le calcul et confère au réseau un certain degré d'invariance par translation, de sorte qu'une caractéristique est reconnue même si elle se déplace d'un ou deux pixels.

Ce sont des noyaux fixes, choisis à la main pour rendre les mathématiques visibles. Dans un CNN entraîné, les poids du noyau sont appris automatiquement par rétropropagation et descente de gradient, de sorte que le réseau découvre les filtres qui minimisent le mieux sa perte sur les données d'entraînement plutôt que de s'appuyer sur des noyaux de contour ou de flou classiques.

Le pooling combine quatre valeurs voisines en une seule, donc une carte 8×8 devient 4×4. Réduire les dimensions spatiales tout en augmentant le nombre de canaux de caractéristiques est le schéma central des CNN : les couches plus profondes voient une grille plus petite et plus grossière mais représentent des concepts plus riches et de plus haut niveau comme les coins et les courbes.

Scan X et Scan Y indiquent la colonne et la ligne actuelles du noyau alors qu'il balaie l'entrée pendant l'animation Conv1. Kernel Weights vaut 9, les neuf nombres du noyau unique 3×3 utilisé dans cette démo (il est réutilisé dans Conv1 et Conv2, sans biais et sans entraînement), et Feature Maps vaut 1, car un seul noyau produit exactement une carte par couche. Un CNN de production utiliserait une banque de nombreux noyaux par couche et produirait donc de nombreuses cartes.

Les opérations sont fidèles : convolution authentique, ReLU, max pooling et une seconde convolution dans le bon ordre. C'est simplifié pour plus de clarté, utilisant une seule petite image, des noyaux fixés à la main, des valeurs d'affichage normalisées et aucun entraînement réel, ce qui enseigne les mécanismes plutôt que de reproduire l'échelle d'un réseau de production.

Les CNN sous-tendent la plupart de la vision par ordinateur moderne. Ils classent des objets sur des photos, lisent des chiffres manuscrits, détectent des tumeurs sur des scanners médicaux, reconnaissent des visages, alimentent des filtres de réalité augmentée et nourrissent les systèmes de perception des véhicules autonomes. Les mêmes briques de convolution, d'activation et de pooling montrées ici s'étendent à ces applications.