Couches de pooling (MaxPooling2D)

Fonctions :

• MaxPooling2D()

  MaxPooling2D est une couche de réduction de dimension qui applique une opération de max pooling sur une fenêtre 2D glissante. Elle est principalement utilisée après des couches convolutionnelles 2D pour réduire la hauteur et la largeur des images tout en conservant les caractéristiques les plus saillantes.

  Importation :

  from tensorflow.keras.models import Sequential
  from tensorflow.keras.layers import Conv2D, MaxPooling2D, 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 Conv2D, MaxPooling2D, Flatten, Dense
  import numpy as np
  
  # Données simulées : 100 images 28x28 en niveaux de gris (1 canal)
  X = np.random.rand(100, 28, 28, 1)
  y = np.random.randint(0, 10, size=(100,))
  
  # Modèle simple avec MaxPooling2D
  model = Sequential()
  model.add(Conv2D(filters=32, kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 1)))
  model.add(MaxPooling2D(pool_size=(2, 2)))
  model.add(Flatten())
  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 depuis TensorFlow Keras : `Conv2D`, `MaxPooling2D`, `Flatten`, et `Dense`. 
  Création des données
   Les données simulées sont 100 images en niveaux de gris de taille 28×28 avec 1 canal. Les labels correspondent à 10 classes différentes. 
  Définition du modèle
   La couche `Conv2D` extrait des caractéristiques spatiales des images, suivie d’une couche `MaxPooling2D` qui réduit la hauteur et la largeur en prenant la valeur maximale dans chaque fenêtre 2×2. `Flatten` transforme les sorties 2D en vecteur pour la couche finale dense. 
  Compilation
   Le modèle est compilé pour un problème de classification multi-classes avec l’optimiseur Adam.