Couches de convolution (Conv1D)

Fonctions :

• Conv1D()

  La couche Conv1D effectue une convolution 1D, souvent utilisée pour traiter des données séquentielles (comme des séries temporelles ou des séquences de texte encodées). Elle applique un filtre (ou noyau) qui glisse le long d’un axe spatial unique (typiquement le temps ou la position).

  Importation :

  from tensorflow.keras.models import Sequential
  from tensorflow.keras.layers import Conv1D, Flatten, Dense
  import numpy as np

  Attributs :

  Paramètre	Type	Description	Valeur par défaut
  filters	int	Nombre de filtres de sortie (dimensions de sortie).	Obligatoire
  kernel_size	int	Taille du noyau de convolution.	Obligatoire
  strides	int	Longueur du pas de la convolution.	1
  padding	str	'valid' (sans remplissage) ou 'same' (avec remplissage pour garder la taille).	'valid'
  activation	str ou fonction	Fonction d'activation appliquée à la sortie.	None
  input_shape	tuple	Taille des entrées attendues (sauf batch size), typiquement (longueur_sequence, nb_features).	Doit être défini dans la première couche

  Exemple de code :

  📋 Copy

  from tensorflow.keras.models import Sequential
  from tensorflow.keras.layers import Conv1D, Flatten, Dense
  import numpy as np
  
  # Données fictives : 100 échantillons, séquences de 10 pas, 1 caractéristique par pas
  X = np.random.rand(100, 10, 1)
  y = np.random.randint(0, 2, size=(100,))
  
  model = Sequential()
  model.add(Conv1D(filters=32, kernel_size=3, activation='relu', input_shape=(10, 1)))
  model.add(Flatten())
  model.add(Dense(1, activation='sigmoid'))
  
  model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
  model.summary()

  

  Explication du code :

  Importation des bibliothèques

  La bibliothèque Keras est utilisée pour créer un modèle séquentiel contenant une couche de convolution 1D. NumPy permet de générer des données d'exemple.

  Création des données

  Les données d'entrée simulées représentent 100 séquences, chacune composée de 10 pas de temps et d'une seule caractéristique. Les étiquettes associées sont binaires.

  Définition du modèle

  Le modèle est constitué d’une couche `Conv1D` qui applique 32 filtres sur les séquences avec une taille de noyau de 3. La sortie est ensuite aplatie pour être transmise à une couche dense finale avec activation sigmoïde pour la classification binaire.

  Compilation et résumé

  Le modèle est compilé avec l’optimiseur Adam et la fonction de perte binaire. Le résumé permet de visualiser la structure du modèle.