Couches de régularisation (GaussianNoise)

Fonctions :

• GaussianNoise()

  La couche GaussianNoise ajoute un bruit gaussien (normal) à l'entrée pendant l'entraînement. Elle est utilisée pour rendre un modèle plus robuste aux variations des données et pour prévenir le surapprentissage (overfitting).

  Importation :

  from tensorflow.keras.models import Sequential
  from tensorflow.keras.layers import Dense, GaussianNoise

  Attributs :

  Paramètre	Type	Description	Valeur par défaut
  stddev	float	Écart type du bruit gaussien à ajouter à l'entrée.	Obligatoire

  Exemple de code :

  📋 Copy

  from tensorflow.keras.models import Sequential
  from tensorflow.keras.layers import Dense, GaussianNoise
  
  model = Sequential()
  model.add(GaussianNoise(stddev=0.1, input_shape=(20,)))  # Bruit gaussien avec σ = 0.1
  model.add(Dense(64, activation='relu'))
  model.add(Dense(10, activation='softmax'))
  
  model.summary()

  Explication du code :

  importe les modules nécessaires pour créer un modèle Keras avec une couche de bruit gaussien.
  
  Création du modèle
   `model = Sequential()` initialise un modèle de type séquentiel. 
  Ajout de bruit à l'entrée
   `model.add(GaussianNoise(stddev=0.1, input_shape=(20,)))` applique un bruit gaussien de moyenne 0 et d'écart type 0.1 à chaque entrée du modèle. Ce bruit n’est actif que pendant l'entraînement, et non durant l’inférence. 
  Ajout de couches cachées et de sortie
   `model.add(Dense(64, activation='relu'))` ajoute une couche dense cachée avec 64 neurones. `model.add(Dense(10, activation='softmax'))` ajoute une couche de sortie pour une classification multi-classes. 
  Résumé
   `model.summary()` affiche la structure complète du modèle.