Couches de pooling (AveragePooling2D)

Fonctions :

• AveragePooling2D()

  AveragePooling2D est une couche de pooling qui applique un pooling moyen sur une fenêtre 2D glissante. Elle est utilisée principalement pour réduire la hauteur et la largeur des images ou des cartes de caractéristiques tout en conservant les informations moyennes dans chaque fenêtre, ce qui permet de lisser les données et réduire la taille des représentations.

  Importation :

  from tensorflow.keras.models import Sequential
  from tensorflow.keras.layers import AveragePooling2D, Flatten, Dense
  import numpy as np

  Attributs :

  Paramètre	Type	Description	Valeur par défaut
  pool_size	int ou tuple	Taille de la fenêtre de pooling (hauteur, largeur).	(2, 2)
  strides	int ou tuple	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' (hauteur, largeur, canaux) ou 'channels_first' (canaux, hauteur, largeur).	'channels_last'

  Exemple de code :

  📋 Copy

  from tensorflow.keras.models import Sequential
  from tensorflow.keras.layers import AveragePooling2D, Flatten, Dense
  import numpy as np
  
  # Données simulées : 25 images 28x28 avec 1 canal
  X = np.random.rand(25, 28, 28, 1)
  y = np.random.randint(0, 2, size=(25,))
  
  # Modèle simple avec AveragePooling2D
  model = Sequential()
  model.add(AveragePooling2D(pool_size=(2, 2), input_shape=(28, 28, 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 les couches nécessaires de TensorFlow Keras : `AveragePooling2D`, `Flatten` et `Dense`. 
  Création des données
   Les données simulées représentent 25 images 2D de taille 28×28 avec un seul canal (comme des images en niveaux de gris). Les étiquettes sont binaires. 
  Définition du modèle
   La couche `AveragePooling2D` réduit la hauteur et la largeur des images en calculant la moyenne sur des fenêtres 2×2 glissantes. `Flatten` transforme ensuite la sortie 2D en vecteur pour la couche dense finale. 
  Compilation
   Le modèle est compilé pour un problème de classification binaire avec l’optimiseur Adam.