Couches récurrentes (Bidirectional)

Fonctions :

• Bidirectional()

  La couche Bidirectional enveloppe une couche récurrente (comme LSTM, GRU ou SimpleRNN) afin d'appliquer un traitement dans les deux sens (avant et arrière) sur une séquence. Cela permet au modèle d'accéder à l'information passée et future dans la séquence, améliorant souvent la performance sur les tâches séquentielles.

  Importation :

  from tensorflow.keras.models import Sequential
  from tensorflow.keras.layers import Bidirectional, LSTM, Dense
  import numpy as np

  Attributs :

  Paramètre	Type	Description	Valeur par défaut
  layer	Layer Keras	Couche récurrente à appliquer bidirectionnellement (ex: LSTM, GRU).	—
  merge_mode	str	Mode de fusion des sorties avant et arrière. Options : 'concat', 'sum', 'mul', 'ave'.	'concat'
  backward_layer	Layer Keras	Couche utilisée pour le sens arrière. Par défaut même que layer.	None
  input_shape	tuple	Forme des données d'entrée (passé à la couche enveloppée).	—

  Exemple de code :

  📋 Copy

  from tensorflow.keras.models import Sequential
  from tensorflow.keras.layers import Bidirectional, LSTM, Dense
  import numpy as np
  
  # Données simulées : 100 séquences, chaque séquence de longueur 10, avec 8 features par pas de temps
  X = np.random.rand(100, 10, 8)
  y = np.random.randint(0, 2, size=(100, 1))
  
  # Modèle avec couche Bidirectional LSTM
  model = Sequential()
  model.add(Bidirectional(LSTM(16), input_shape=(10, 8)))
  model.add(Dense(1, activation='sigmoid'))
  
  model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
  model.summary()

  Explication du code :

  Importation des bibliothèques
   Les classes `Bidirectional`, `LSTM`, `Dense` et `Sequential` sont importées depuis Keras pour construire un modèle séquentiel. 
  Création des données
   Les données sont des séquences aléatoires : 100 exemples, chacun avec 10 pas de temps et 8 caractéristiques par pas. 
  Définition du modèle
   La couche `Bidirectional` applique un LSTM dans les deux sens (avant et arrière) sur chaque séquence. La sortie est ensuite connectée à une couche dense avec activation sigmoïde pour une classification binaire. 
  Compilation
   Le modèle est compilé avec l’optimiseur Adam et la fonction de perte binaire.