Couches de rééchantillonnage (UpSampling1D)
Les couches UpSampling1D sont utilisées dans les réseaux de neurones pour augmenter la dimension des données séquentielles. L’objectif est de reconstruire des séquences de plus grande longueur à partir de séquences compressées, par exemple après une opération de pooling ou de convolution.
Le principe consiste à répéter ou interpoler les valeurs des éléments de la séquence le long de l’axe temporel, augmentant ainsi la longueur totale de la séquence. Cette opération est souvent utilisée dans les réseaux de type autoencodeur ou dans les architectures de génération de séquences pour restaurer la résolution initiale.
Les couches UpSampling1D sont utilisées dans des tâches de génération de séquences, reconstruction de séries temporelles ou réseaux de type autoencodeur pour le traitement de signaux ou de texte.
En résumé, les couches UpSampling1D permettent d’augmenter la longueur des séquences, facilitant la reconstruction ou la génération de données séquentielles à partir de représentations compressées.
Fonctions :
-
UpSampling1D()
La couche UpSampling1D augmente la résolution temporelle (ou séquentielle) d’une entrée 1D en répétant les valeurs sur l’axe temporel. Elle est souvent utilisée pour restaurer la taille d’une séquence après une réduction (par exemple, dans des auto-encodeurs ou des réseaux génératifs).
Importation :
from tensorflow.keras.models import Sequential from tensorflow.keras.layers import UpSampling1D import numpy as npAttributs :
Paramètre Type Description Valeur par défaut sizeint Facteur de montée en échelle — nombre de répétitions de chaque élément le long de l’axe temporel. 2Exemple de code :
from tensorflow.keras.models import Sequential from tensorflow.keras.layers import UpSampling1D import numpy as np # Données simulées : batch de 1 exemple, 4 étapes temporelles, 1 caractéristique par étape X = np.array([[[1], [2], [3], [4]]]) # Modèle avec UpSampling1D model = Sequential() model.add(UpSampling1D(size=3, input_shape=(4, 1))) # Passage des données dans la couche output = model.predict(X) print(output)
Explication du code :
Importation des bibliothèques
On importe `UpSampling1D` et les outils nécessaires.Création des données
Les données sont un tableau 3D représentant un batch avec 1 séquence de longueur 4 et 1 caractéristique.Définition du modèle
Le modèle contient uniquement la couche `UpSampling1D` avec un facteur d’agrandissement de 3.Exécution
Le passage des données produit une séquence où chaque valeur est répétée 3 fois consécutivement, allongeant la séquence à 12 étapes.
