0Pricing
Deep Learning Academy · Leçon

Assembler un classificateur d’images CNN

Assemblez des blocs convolution-ReLU-regroupement dans un modèle fonctionnel.

Assembler un classificateur d’images CNN est une leçon Deep Learning Academy gratuite sur CoddyKit. Ceci est la leçon 4 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Deep Learning Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Deep Learning Academy comprend 4 leçons au total.

Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.

The CNN Recipe

A classic image classifier stacks conv-ReLU-pool blocks to extract features, then ends with dense layers that predict the class.

One Building Block

Each block follows the same rhythm: a conv layer, a ReLU activation, then a pool. This is the basic conv block you repeat.

block = nn.Sequential(
    nn.Conv2d(3, 16, 3, padding=1),
    nn.ReLU(),
    nn.MaxPool2d(2),
)

ReLU Adds Nonlinearity

Without an activation, stacked convolutions collapse into one linear step. ReLU after each conv lets the network learn complex shapes.

Stack Blocks to Go Deeper

Repeat the block, growing the channels each time. More blocks mean a wider receptive field and richer learned features.

Flatten Before the Head

After the conv blocks you have a stack of small maps. Flatten them into one vector so a dense layer can read them.

x = torch.flatten(x, start_dim=1)

The Classifier Head

A Linear layer maps the flattened features to one score per class. For ten classes, it outputs ten numbers.

head = nn.Linear(64, 10)

Define the Model

Wrap the features and head in an nn.Module. The forward method runs the convs, flattens, then the classifier.

class CNN(nn.Module):
    def __init__(self):
        super().__init__()
        self.features = block
        self.head = head

Write the Forward Pass

In forward, pass the image through features, flatten, and feed the head. The output is one raw score per class.

def forward(self, x):
    x = self.features(x)
    x = torch.flatten(x, 1)
    return self.head(x)

Outputs Are Logits

The head returns raw scores called logits, not probabilities. Cross-entropy loss expects exactly these raw values during training.

Pick the Loss

For multiclass images, use CrossEntropyLoss. It applies softmax internally and compares against the true label index.

loss_fn = nn.CrossEntropyLoss()

Predict a Class

At inference, take the index of the largest logit. That argmax is the model's predicted class for the image. 🖼️

pred = logits.argmax(dim=1)

Quick Check

Let us check the order of a CNN classifier's pieces.

Recap: A Working CNN

You assembled a CNN: conv-ReLU-pool blocks extract features, flatten feeds a Linear head, and argmax over logits gives the predicted class. 🎉

Questions Fréquemment Posées

La leçon « Assembler un classificateur d’images CNN » est-elle gratuite ?

Oui — le texte complet de « Assembler un classificateur d’images CNN » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Deep Learning Academy, passe à CoddyKit PRO. Le cours Deep Learning Academy comprend 4 leçons au total.

Qu'est-ce que j'apprendrai dans « Assembler un classificateur d’images CNN » ?

Assemblez des blocs convolution-ReLU-regroupement dans un modèle fonctionnel. Tu pratiques Deep Learning Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.

Dois-je avoir de l'expérience pour commencer Deep Learning Academy ?

Aucune expérience préalable n'est requise. Deep Learning Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 4 sur 4.

Combien de temps prend la leçon « Assembler un classificateur d’images CNN » ?

La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.

Peux-tu écrire et exécuter du code dans cette leçon Deep Learning Academy ?

Oui. Chaque leçon Deep Learning Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.

Toutes les leçons de ce cours

  1. Convolution : des noyaux glissent sur les pixels
  2. Pas, remplissage et regroupement
  3. Canaux, cartes de caractéristiques et champs réceptifs
  4. Assembler un classificateur d’images CNN
← Retour à Deep Learning Academy