Couches de pooling (MaxPooling2D)

Les couches MaxPooling2D sont utilisées dans les réseaux de neurones convolutionnels pour réduire la dimension des images ou cartes de caractéristiques tout en conservant les informations les plus importantes. L’objectif est de simplifier les représentations spatiales et de diminuer le coût computationnel des couches suivantes.

Le principe consiste à diviser l’image ou la carte de caractéristiques en fenêtres de taille fixe et à ne retenir que la valeur maximale de chaque fenêtre. Cette opération permet de réduire la taille spatiale des données, de rendre le réseau plus robuste aux variations locales et d’éviter le surapprentissage.

Les couches MaxPooling2D sont utilisées dans les architectures CNN pour la classification d’images, la détection d’objets et la segmentation. Elles sont souvent suivies de couches de convolution, de normalisation ou de fully connected.

En résumé, les couches MaxPooling2D permettent de réduire la dimensionnalité spatiale tout en conservant les caractéristiques les plus saillantes des images ou des cartes de caractéristiques.

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 :

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.