Couches de pooling (AveragePooling1D)

Fonctions :

• AveragePooling1D()

  AveragePooling1D est une couche qui applique un pooling moyen sur une fenêtre glissante 1D. Elle est utilisée principalement pour réduire la dimension des séquences en calculant la moyenne des valeurs dans chaque fenêtre, ce qui permet de lisser les données tout en réduisant leur taille.

  Importation :

  from tensorflow.keras.models import Sequential
  from tensorflow.keras.layers import AveragePooling1D, Flatten, Dense
  import numpy as np

  Attributs :

  Paramètre	Type	Description	Valeur par défaut
  pool_size	int	Taille de la fenêtre de pooling.	2
  strides	int	Pas de déplacement de la fenêtre de pooling.	None (équivalent à pool_size)
  padding	str	'valid' (sans remplissage) ou 'same' (conserve la taille).	'valid'
  data_format	str	'channels_last' (longueur, canaux) ou 'channels_first' (canaux, longueur).	'channels_last'

  Exemple de code :

  📋 Copy

  from tensorflow.keras.models import Sequential
  from tensorflow.keras.layers import AveragePooling1D, Flatten, Dense
  import numpy as np
  
  # Données simulées : 30 séquences de longueur 10 avec 1 canal
  X = np.random.rand(30, 10, 1)
  y = np.random.randint(0, 2, size=(30,))
  
  # Modèle simple avec AveragePooling1D
  model = Sequential()
  model.add(AveragePooling1D(pool_size=2, 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
  On importe `AveragePooling1D`, `Flatten`, et `Dense` depuis TensorFlow Keras.
  Création des données
  Les données simulées sont 30 séquences 1D de longueur 10 avec un seul canal. Les labels sont binaires.
  Définition du modèle
  La couche `AveragePooling1D` réduit la longueur des séquences en calculant la moyenne sur des fenêtres de taille 2. Ensuite, `Flatten` convertit la sortie en vecteur pour la couche dense finale.
  Compilation
  Le modèle est compilé pour un problème de classification binaire avec l’optimiseur Adam.