Couches de pooling (GlobalMaxPooling2D)

Fonctions :

• GlobalMaxPooling2D()

  GlobalMaxPooling2D est une couche qui calcule la valeur maximale globale de chaque carte de caractéristiques 2D (canal) sur toute sa hauteur et sa largeur. Elle réduit chaque carte 2D en un seul nombre représentant le maximum, ce qui permet de compresser fortement la représentation tout en conservant les caractéristiques les plus saillantes. Cette couche est souvent utilisée en fin de réseau convolutionnel avant la classification.

  Importation :

  from tensorflow.keras.models import Sequential
  from tensorflow.keras.layers import Conv2D, GlobalMaxPooling2D, Dense
  import numpy as np

  Attributs :

  Paramètre	Type	Description	Valeur par défaut
  data_format	str	Format des données : 'channels_last' (hauteur, largeur, canaux) ou 'channels_first' (canaux, hauteur, largeur).	'channels_last'
  keepdims	bool	Si True, conserve les dimensions réduites avec une taille 1.	False

  Exemple de code :

  📋 Copy

  from tensorflow.keras.models import Sequential
  from tensorflow.keras.layers import Conv2D, GlobalMaxPooling2D, Dense
  import numpy as np
  
  # Données simulées : 15 images 28x28 avec 1 canal (niveau de gris)
  X = np.random.rand(15, 28, 28, 1)
  y = np.random.randint(0, 5, size=(15,))
  
  # Modèle simple avec GlobalMaxPooling2D
  model = Sequential()
  model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
  model.add(GlobalMaxPooling2D())
  model.add(Dense(5, activation='softmax'))
  
  model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
  model.summary()

  Explication du code :

  Importation des bibliothèques
   On importe les couches nécessaires de TensorFlow Keras : `Conv2D`, `GlobalMaxPooling2D` et `Dense`. 
  Création des données
   Les données simulées représentent 15 images en niveaux de gris (1 canal) de taille 28×28 pixels. Les labels sont des classes entières pour une classification à 5 catégories. 
  Définition du modèle
   La couche `Conv2D` extrait des caractéristiques locales sur les images. Ensuite, `GlobalMaxPooling2D` sélectionne la valeur maximale dans chaque carte de caractéristiques 2D, produisant un vecteur plat. Enfin, une couche dense réalise la classification. 
  Compilation
   Le modèle est compilé pour un problème de classification multi-classes avec l’optimiseur Adam.