Atelier : CNN petits caractères
Conv-pool dense avec augmentation et early stop.
Énoncé
MNIST-like ou CIFAR-10 réduit : CNN 2-3 blocs, augmentation (flip/crop), Adam, early stop sur val, test avec matrice + exemples d'erreurs.
Contraintes
train/eval, graines, augmentation sur train seul, budget époques fixé.
Indices
Définitions (employées dans cet atelier) : RandomCrop = recadrage aléatoire, RandomHorizontalFlip = miroir aléatoire (train seul, jamais test), AdaptiveAvgPool2d(1) = moyenne globale par carte qui remplace l'aplatissement fixe (leçon mia-pooling-champs), CrossEntropyLoss = cross-entropy multiclasse sur logits (leçon mia-couches-pertes-boucle, comme BCEWithLogitsLoss en binaire).
blocs conv-relu-pool x2-3, GAP, Linear ; best sur val, confusion sur test
attendu : >95 % MNIST-like, erreurs sur traits ambigus à montrer en images
Si le train monte et la val stagne : augmentez données/dropout, pas profondeur. Montrez 9 erreurs : c'est votre vrai rapport d'ingénieur.
Correction disponibleCherchez d’abord par vous-même.Voir la correction
Correction