Couches de pooling (MaxPooling1D)

Fonctions :

• MaxPooling1D()

  MaxPooling1D est une couche de réduction de dimension qui extrait la valeur maximale sur une fenêtre glissante unidimensionnelle. Elle est souvent utilisée après une couche de convolution 1D pour réduire la taille des données tout en conservant les informations les plus importantes.

  Importation :

  from tensorflow.keras.models import Sequential
  from tensorflow.keras.layers import Conv1D, MaxPooling1D, 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 longueur).	'valid'
  data_format	str	'channels_last' (par défaut) ou 'channels_first'.	'channels_last'

  Exemple de code :

  📋 Copy

  from tensorflow.keras.models import Sequential
  from tensorflow.keras.layers import Conv1D, MaxPooling1D, Flatten, Dense
  import numpy as np
  
  # Données simulées : 100 séquences de longueur 50 avec 1 feature
  X = np.random.rand(100, 50, 1)
  y = np.random.randint(0, 2, size=(100,))
  
  # Modèle simple avec MaxPooling1D
  model = Sequential()
  model.add(Conv1D(filters=32, kernel_size=3, activation='relu', input_shape=(50, 1)))
  model.add(MaxPooling1D(pool_size=2))
  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
   Les fonctions nécessaires sont importées depuis TensorFlow Keras : `Conv1D`, `MaxPooling1D`, `Flatten` et `Dense`. 
  Création des données
   On simule un ensemble de 100 séquences, chacune de longueur 50 avec 1 seule feature. La sortie est binaire (0 ou 1). 
  Définition du modèle
   Une couche `Conv1D` extrait des motifs dans les séquences, suivie d’une couche `MaxPooling1D` qui réduit la longueur des séquences en prenant le maximum sur chaque fenêtre de taille 2. Ensuite, `Flatten` transforme les données en vecteur pour la couche finale `Dense`. 
  Compilation
   Le modèle est compilé pour un problème de classification binaire avec l’optimiseur `adam`.