Comment configurer une couche de pooling (type POOL ou POOLING) dans un réseau de neurones ?

Maîtrise du Sous-Échantillonnage Spatial

Deep Learning Pooling Sous-échantillonnage Réseaux neuronaux Computer Vision

Une couche de pooling, de type POOL ou POOLING, est utilisée pour réduire les dimensions spatiales de la représentation en entrée. Les paramètres clés sont :

height : Hauteur de la fenêtre de pooling 2D (obligatoire).
width : Largeur de la fenêtre de pooling 2D (obligatoire).
pool : Type de pooling. Les options incluent :
- AVERAGE : Pooling moyen.
- FIXED : Pooling fixe.
- MAX : Pooling maximal (par défaut).
- MIN : Pooling minimal.
- RANDOM : Pooling aléatoire.
stride : Pas horizontal et vertical (par défaut 1, minimum 1). Peut être spécifié séparément via strideHorizontal (alias strideHorz, strideWidth) et strideVertical (alias strideVert, strideHeight).
padding : Dimensions de padding pour la largeur et la hauteur (minimum 0). Peut être spécifié séparément via paddingHeight et paddingWidth.
dropout : Taux de dropout (par défaut 0, entre 0 et 1 exclus).

Exemples pour l'action addLayer

1. Ajout de la couche d'entrée (INPUT)

Cet exemple définit la couche INPUT (tenseurs RGB 3x32x32). Le paramètre scale (1/255) normalise les pixels dans [0,1], une étape critique pour stabiliser la descente de gradient.

2. Ajout d'une couche de convolution (CONVO)

Cet exemple intègre une couche CONVO (16 filtres 3x3, stride=1). L'activation ReLU introduit la non-linéarité, et l'initialisation XAVIER préserve la variance des gradients.

Assemblage d'un réseau CNN de bout en bout

Cet exemple finalise le CNN : Max Pooling (réduction spatiale), FC (dropout 0.2) et OUTPUT Softmax (entropie croisée).

Conseil de l'Expert

Évitez l'usage excessif du Pooling dans les réseaux profonds.
Bien que le pooling soit efficace, il entraîne une perte d'information spatiale irréversible. La tendance moderne en Deep Learning (inspirée des architectures type ResNet ou All-CNN) consiste à remplacer les couches de pooling par des couches de convolution avec un stride=2.

Cela permet au réseau d'apprendre lui-même sa propre méthode de sous-échantillonnage (via les poids des filtres) plutôt que d'utiliser une fonction fixe et déterministe comme le Max Pooling. Réservez le pooling pour les cas où la puissance de calcul est très limitée ou pour le Global Average Pooling final.

Cette réponse vous a-t-elle aidé ?