⚙️ Simulateur : Architecture complète d'un CNN
Entrée (12×12) → Conv → Pool → FC → Softmax
IMAGE D'ENTRÉE DU PIPELINE (12×12)
🎯 Entraînement (Propagation avant + Rétropropagation)
Entrée ▸ Conv+ReLU ▸ Pool ▸ Flatten ▸ FC ▸ Softmax ▸ Prédiction
Perte ◂ Optimiseur ◂ Rétropropagation ◂ (à chaque étape)
PERTE (LOSS)
PRÉCISION
Perte : —
Précision : —
Étape d'entraînement : 0
Les noyaux et poids commencent aléatoires (ce ne sont plus les filtres fixes du simulateur précédent). À chaque étape, le réseau effectue la propagation avant sur les 3 images, calcule la perte (cross-entropie) e a précision (combien des 3 images sont correctement classées), rétropropage l'erreur et ajuste tous les poids (y compris les noyaux de la convolution) via la descente de gradient. ⚠️ Comme le « jeu d'entraînement » ne compte que 3 exemples, cela démontre le mécanisme de l'entraînement (perte en baisse, précision en hausse, poids changeant) — pas la capacité à généraliser à de nouvelles images, ce qui exigerait beaucoup plus de données.
Description : Figure 9.11: Simulateur interactif de l’architecture d’un CNN : choisissez l’une des images d’entrée 12×12 (maison, visage heureux ou triste), cliquez sur chaque bloc du pipeline — Entrée, Conv+ReLU , Pooling , Flatten , FC et Softmax — et exécutez de vraies étapes d’entraînement ( forward pass + rétropropagation) pour observer la perte et la précision évoluer, les kernels être ajustés et le Softmax commencer à pointer vers la classe correcte.