• 15 heures
  • Difficile

Ce cours est visible gratuitement en ligne.

course.header.alt.is_video

course.header.alt.is_certifying

J'ai tout compris !

Mis à jour le 06/02/2020

Partie 3

Connectez-vous ou inscrivez-vous gratuitement pour bénéficier de toutes les fonctionnalités de ce cours !

Compétences évaluées

  • Appliquer le Transfer Learning de manière pertinente
  • Comprendre le fonctionnement des réseaux de neurones convolutifs

Description

Testez vos connaissances en réseaux de neurones convolutifs avec ce quiz !

  • Question 1

    Cochez les affirmations vraies concernant les réseaux de neurones convolutifs : 

    Attention, plusieurs réponses sont possibles.
    • Ils sont spécialement conçus pour traiter des images en entrée, mais peuvent être utilisés pour des données textuelles 

    • Ils permettent de localiser un ensemble de features dans les images en entrée, mais ces features doivent être préalablement définies (avec SIFT par exemple)

    • Ils apprennent plus de poids que le perceptron multi-couches pendant la phase d'entraînement

    • Ils sont plus efficaces que le perceptron multi-couches pour la classification d'images

  • Question 2

    Voici des features apprises par un CNN pour un problème de reconnaissance de visages : 

    Quelle couche a pour paramètres l'ensemble des features de droite ? 

    • La dernière couche fully-connected

    • La couche de convolution la plus basse

    • La toute première couche de pooling

    • La couche de convolution la plus haute

    • Une couche de convolution au milieu

  • Question 3

    Intéressons-nous à AlexNet, le fameux CNN qui a rendu populaire le Deep Learning. Il reçoit en entrée des images de taille 227 × 227 × 3 pixels et empile les couches de la manière suivante : 

    CONV1 RELU1 POOL1 CONV2 RELU2 POOL2 CONV3 CONV4 CONV5 FC1 FC2 FC3

    Les opérations de pooling se font avec des cellules de taille 3 × 3 espacées d'un pas de 2 (elles se chevauchent). 

    La première couche de convolution (CONV1) utilise 96 filtres de taille 11 × 11 espacés d'un pas de 4, et un zero-padding de 2. La deuxième (CONV2) utilise 256 filtres 5 × 5 espacés d'un pixel et un zero-padding de 2. 

    Quelles sont les dimensions de la matrice en sortie de la deuxième couche de pooling (POOL2) ? 

    • 27 × 27 × 96

    • 27 × 27 × 256

    • 55 × 55 × 96

    • 13 × 13 × 256