Canaux vs Couches dans les réseaux de neurones : distinction claire
Bien que les deux contribuent à la profondeur du réseau, canaux et couches sont concepts orthogonaux — l'un représente extraction caractéristiques parallèles, l'autre transformation séquentielle.
Canaux (Feature Maps)
- Dimension : 3ᵉ axe tenseur (Hauteur × Largeur × Canaux).
- Rôle : Chaque canal apprend réponse filtre distincte — contours, textures, couleurs, parties objet.
- Dans une couche : Couche convolutionnelle sort plusieurs canaux ; convolution 1×1 mélange canaux.
- Pooling/strides : Généralement appliqués spatialement (H, W), pas travers canaux (sauf conv 1×1 ou mécanismes attention canaux).
Couches (Étapes de traitement)
- Séquence : Empilées verticalement — Entrée → Cachée₁ → Cachée₂ → … → Sortie.
- Fonction : Chaque couche transforme son entrée (convolution, pooling, normalisation, activation, attention, etc.).
- Profondeur : Nombre couches = profondeur réseau.
- Champ récepteur : Grandit avec profondeur couches.
Analogie intuitive
Canaux = canaux couleur image (R, V, B), mais caractéristiques apprises au lieu longueurs d'onde fixes. Couches = filtres photo successifs appliqués l'un après l'autre.
Comparatif résumé
| Aspect | Canaux | Couches |
|---|---|---|
| Direction | Parallèle (largeur) | Séquentielle (profondeur) |
| Opération | Extraction caractéristiques (filtres parallèles) | Transformation (série opérations) |
| Taille typique | 32–2048 par couche | 10–1000+ total |
| Axe pooling | Spatial (H, W) | Spatial (H, W) ; parfois canal (global avg pool) |
Comprendre cette distinction est crucial pour design architecture : élargir (plus canaux) augmente capacité représentation par étage ; approfondir (plus couches) augmente hiérarchie abstraction.