Couches de pooling (GlobalAveragePooling2D)

Fonctions :

• GlobalAveragePooling2D()

  GlobalAveragePooling2D est une couche qui calcule la moyenne globale de chaque carte de caractéristiques 2D (canal) sur toute sa hauteur et sa largeur. Elle réduit chaque carte de caractéristiques 2D en un seul nombre, ce qui diminue drastiquement la dimension tout en conservant une représentation synthétique des caractéristiques extraites. Cette couche est souvent utilisée en fin de réseau convolutionnel pour passer d’une carte de caractéristiques 2D à un vecteur 1D.

  Importation :

  from tensorflow.keras.models import Sequential
  from tensorflow.keras.layers import Conv2D, GlobalAveragePooling2D, 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, GlobalAveragePooling2D, Dense
  import numpy as np
  
  # Données simulées : 20 images 32x32 avec 3 canaux (RGB)
  X = np.random.rand(20, 32, 32, 3)
  y = np.random.randint(0, 10, size=(20,))
  
  # Modèle simple avec GlobalAveragePooling2D
  model = Sequential()
  model.add(Conv2D(16, (3, 3), activation='relu', input_shape=(32, 32, 3)))
  model.add(GlobalAveragePooling2D())
  model.add(Dense(10, 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`, `GlobalAveragePooling2D` et `Dense`.
  Création des données
  Les données simulées sont 20 images RGB de taille 32×32 pixels. Les labels sont des classes entières pour une classification à 10 catégories.
  Définition du modèle
  La couche `Conv2D` extrait des caractéristiques locales sur les images. Ensuite, `GlobalAveragePooling2D` calcule la moyenne sur chaque carte de caractéristiques 2D pour produire un vecteur plat. Enfin, la couche dense effectue la classification.
  Compilation
  Le modèle est compilé pour un problème de classification multi-classes avec l’optimiseur Adam.