Construire votre premier réseau neuronal avec TensorFlow

Dans cette leçon, nous créerons un réseau neuronal simple à propagation avant avec TensorFlow. TensorFlow est un cadre populaire pour créer et entraîner des modèles d'apprentissage automatique.

Étape 1 : Configuration de TensorFlow

Tout d'abord, vérifiez que TensorFlow est installé. Dans le cas contraire, vous pouvez l'installer avec :

pip install tensorflow

Nous importerons également les bibliothèques nécessaires à cette leçon.

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
import numpy as np

Étape 2 : Préparation du jeu de données

Pour cet exemple, nous utiliserons un jeu de données simple dans lequel l'entrée est une caractéristique unique et la sortie est le double de cette valeur :

# Generate sample data
X = np.array([[1], [2], [3], [4], [5]], dtype=float)
y = np.array([[2], [4], [6], [8], [10]], dtype=float)

Étape 3 : Création du modèle

Nous créerons un modèle simple comportant une couche d'entrée, une couche cachée et une couche de sortie. La couche cachée utilisera la fonction d'activation ReLU.

# Create the model
model = Sequential([
    Dense(10, activation='relu', input_shape=(1,)),  # Hidden layer with 10 neurons
    Dense(1)  # Output layer with 1 neuron
])

Étape 4 : Compilation du modèle

Nous compilons le modèle avec :

• Fonction de perte : Erreur quadratique moyenne pour les tâches de régression.
• Optimiseur : Descente de gradient stochastique (SGD).

# Compile the model
model.compile(optimizer='sgd', loss='mean_squared_error')

Étape 5 : Entraînement du modèle

Nous entraînons le modèle avec les données d'entraînement pendant 500 époques. Pendant l'entraînement, le modèle apprend à minimiser la perte.

# Train the model
model.fit(X, y, epochs=500, verbose=1)

Étape 6 : Effectuer des prédictions

Après l’entraînement, nous pouvons utiliser le modèle pour effectuer des prédictions sur de nouvelles données :

# Predict on new data
print(model.predict([6]))

Étape 7 : Évaluation du modèle

Nous évaluons les performances du modèle sur les données d'entraînement afin de vérifier qu'il a correctement appris la régularité :

# Evaluate the model
loss = model.evaluate(X, y)
print(f"Loss: {loss}")

Applications concrètes

Les réseaux neuronaux à propagation avant construits avec TensorFlow peuvent être utilisés pour :

• Analyse prédictive : Prévision des ventes et des tendances.
• Classification : Détection des courriers indésirables et de la fraude.
• Régression : Prévision des prix et de la demande.

Résumé et prochaines étapes

Dans cette leçon, vous avez :

• Construit et entraîné un réseau neuronal simple avec TensorFlow.
• Appris les étapes clés : préparation du jeu de données, création, compilation et entraînement du modèle.
• Effectué des prédictions et évalué les performances du modèle.

Ensuite, vous découvrirez comment étendre les réseaux neuronaux à des architectures plus avancées, comme les réseaux neuronaux convolutifs (RNC), pour les tâches de traitement d'images.