Neural Nets & Raspberry Pi — Apprenez les réseaux de neurones en regardant l’un d’eux s’entraîner, puis exécutez-le sur un Pi simulé

Lire des explications sur les poids et la descente de gradient ne suffit qu’un temps ; voir la perte d’un modèle diminuer réellement permet de combler l’écart. AI Lab vous enseigne d’abord les neurones, les poids, le biais et l’activation, puis son lab Vallée de perte représente la descente de gradient sous la forme d’un paysage en 3-D que vous inclinez avec le taux d’apprentissage, tandis que Surface de décision montre en temps réel une frontière apprise s’enrouler autour d’une spirale. Gratuit sur iOS et Android.

La descente de gradient est la manière dont un réseau réduit sa propre erreur : à chaque étape, il calcule la direction qui diminue le plus rapidement la perte et déplace légèrement chaque poids dans cette direction, comme une balle qui roule en pente vers une vallée. Le taux d’apprentissage détermine l’amplitude de chaque étape. S’il est trop faible, l’entraînement avance au ralenti ; s’il est trop élevé, la balle peut dépasser la vallée et rebondir ou diverger au lieu de se stabiliser. Le lab Vallée de perte d’AI Lab vous permet de faire glisser ce réglage et d’observer la différence pendant un véritable entraînement.

Un réseau fraîchement entraîné stocke ses poids sous forme de nombres à virgule flottante sur 32 bits, ce qui offre davantage de précision et demande plus de mémoire que ne peuvent en fournir les petits appareils. La quantification arrondit ces poids en nombres bien plus petits, généralement des entiers sur 8 bits, réduisant le modèle à environ un quart de sa taille en échange d’une certaine perte de précision. Le lab Réducteur d’AI Lab effectue cette opération sur un véritable modèle entraîné : le compromis entre taille et précision devient un résultat que vous observez, pas un paragraphe que vous lisez.

TinyML est du machine learning exécuté sur du matériel compact et peu énergivore — un microcontrôleur ou un ordinateur monocarte — plutôt que sur un serveur ou un téléphone, ce qui signifie que le modèle doit d’abord être réduit. Les labs Réducteur et Puce d’AI Lab couvrent exactement ce processus : quantifier un réseau entraîné, puis exécuter une véritable inférence int8 sur le résultat, avant que l’atelier Raspberry Pi de l’app ne passe au câblage physique des projets embarqués.

Oui. L’atelier Raspberry Pi d’AI Lab est une simulation détaillée en 3-D d’un Pi Pico : vous ajoutez des composants virtuels, les câblez et écrivez du vrai Python avec la bibliothèque gpiozero dans un éditeur intégré, sans avoir à acheter ou à risquer d’endommager une carte. Cinq projets pour débuter vont du premier clignotement d’une LED à une LED commandée par un bouton, puis à un balayage Knight Rider avec cinq LED. Le Python que vous écrivez pourra être réutilisé directement si vous construisez ensuite un projet avec un vrai Raspberry Pi.

gpiozero est une bibliothèque Python qui encapsule les broches GPIO d’un Raspberry Pi dans des objets et méthodes simples — allumer une LED se fait sur une seule ligne plutôt qu’avec une écriture dans un registre de bas niveau — ce qui en fait le point de départ habituel pour l’électronique avec Pi. L’atelier d’AI Lab utilise la même bibliothèque dans sa simulation : câbler une LED, un bouton ou un buzzer dans l’app se lit comme sur du matériel réel.

Oui. AI Lab est gratuit à télécharger sur l’App Store et Google Play, et ses trois premiers mondes de leçons — d’un neurone unique à la descente de gradient, puis aux réseaux multicouches — ainsi que chaque lab en 3-D et l’intégralité de l’atelier Raspberry Pi sont gratuits. AI Lab Pro débloque le reste du programme de leçons et supprime les publicités. L’app est classée 4+ et la version actuelle est 1.2.0.

Non. AI Lab commence par expliquer ce qu’est un neurone — quelques nombres multipliés par des poids, additionnés à un biais, puis transmis à une fonction d’activation — avant de présenter le moindre code, et développe chaque idée progressivement, avec un quiz à la fin de chaque courte leçon. L’atelier Raspberry Pi introduit progressivement Python avec gpiozero, projet après projet, sans supposer d’expérience préalable en programmation.

Non, et l’app le précise clairement. Le moteur d’entraînement d’AI Lab est une implémentation petite et déterministe conçue de zéro pour entraîner instantanément les modèles et rester entièrement explicable à des fins d’apprentissage et de visualisation — ce n’est pas un framework de machine learning de production. Les notions enseignées — neurones, poids, perte, descente de gradient, quantification — sont les mêmes que celles utilisées par TensorFlow ou PyTorch, mais à une bien plus grande échelle.

Neural Nets & Raspberry Pi fonctionne sur iOS via l’App Store et sur Android via Google Play, avec une interface en 10 langues et une classification d’âge 4+. L’app s’appelle AI Lab sur ses écrans et son icône ; l’App Store la référence sous le nom AI Lab: Neural Networks & IoT et Google Play sous le nom Neural Nets & Raspberry Pi. Il s’agit de la même app sur les deux plateformes.