Le texte ne doit pas être écrit en capitales (les noms de famille non plus), ni en gras, ni en italique, ni en « petit »…
Le gras n'est utilisé que pour surligner le titre de l'article dans l'introduction, une seule fois.
L'italique est rarement utilisé : mots en langue étrangère, titres d'œuvres, noms de bateaux, etc.
Les citations ne sont pas en italique mais en corps de texte normal. Elles sont entourées par des guillemets français : « et ».
Les listes à puces sont à éviter, des paragraphes rédigés étant largement préférés. Les tableaux sont à réserver à la présentation de données structurées (résultats, etc.).
Les appels de note de bas de page (petits chiffres en exposant, introduits par l'outil « Source ») sont à placer entre la fin de phrase et le point final[comme ça].
Les liens internes (vers d'autres articles de Wikipédia) sont à choisir avec parcimonie. Créez des liens vers des articles approfondissant le sujet. Les termes génériques sans rapport avec le sujet sont à éviter, ainsi que les répétitions de liens vers un même terme.
Les liens externes sont à placer uniquement dans une section « Liens externes », à la fin de l'article. Ces liens sont à choisir avec parcimonie suivant les règles définies. Si un lien sert de source à l'article, son insertion dans le texte est à faire par les notes de bas de page.
Insérer une infobox (cadre d'informations à droite) n'est pas obligatoire pour parachever la mise en page.
En apprentissage automatique, la couche de max pooling ou max-pooling[1] est une des quatre couches dans un réseau de neurones convolutif. Cette couche permet de sous-échantillonner une image lors de sa classification par un réseau de neurones. Le but de cette couche est de réduire la taille des images sans modifier les features importantes de cette image.
La couche Max-pool va prendre en entrée des listes de caractéristiques et en fonction de la taille que l'on souhaite va retourner une matrice de taille choisie. Pour ce faire, l'image va être découpée.
Exemple de Maxpooling 2x2.
Max-Pool 2x2 va rendre une matrice de taille 2x2, Max-Pool 3x3 va rendre une matrice de taille 3x3. L'image va être séparée en zone égale, Max-Pool va alors garder seulement la valeur maximale.
La matrice de sortie possède le même nombre de caractéristiques[pas clair] de celle en entrée (dans l'exemple ci-contre 4) mais le max-pool n'a conservé que les valeurs maximales.
Cette couche permet donc de réduire le nombre de paramètres et donc de calcul dans le réseau de neurones. Il y a donc une augmentation de l'efficacité du réseau et nous évitons ainsi le sur-apprentissage par le réseau de neurones[réf. nécessaire].