Créer votre premier réseau neuronal avec TensorFlow

Dans cette leçon, nous allons créer 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

Commencez par vérifier que TensorFlow est installé. Si ce n’est pas le cas, vous pouvez l’installer avec :

pip install tensorflow

Nous importerons également les bibliothèques nécessaires pour 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 seule caractéristique et la sortie en est le double :

# 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 allons créer un modèle simple composé d’une couche d’entrée, d’une couche cachée et d’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 à l’aide des 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 : réalisation de 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 le schéma :

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

Applications concrètes

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

• Analyse prédictive : prévision des ventes et des tendances.
• Classification : détection des courriers indésirables et des fraudes.
• Régression : prédiction des prix et prévision de la demande.

Résumé et prochaines étapes

Dans cette leçon, nous avons :

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

Nous allons maintenant découvrir comment les réseaux neuronaux sont étendus à des architectures plus avancées, comme les réseaux neuronaux convolutifs (RNC), pour les tâches de traitement d’images.