Durée: 12 mois
Rubrique: Ingénieur IA
L'univers du Deep Learning est vaste et offre de nombreux outils et bibliothèques. Dans cette section, nous allons explorer trois des bibliothèques les plus populaires et puissantes pour la création, l'entraînement et le déploiement de modèles de Deep Learning : TensorFlow, Keras, et PyTorch.
TensorFlow est une bibliothèque opensource développée par Google Brain. Elle est largement utilisée pour des tâches de machine learning et de deep learning.
```python import tensorflow as tf
model = tf.keras.models.Sequential([ tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10, activation='softmax') ])
model.compile(optimizer='adam', loss='sparsecategoricalcrossentropy', metrics=['accuracy']) ```
Keras est une interface de haut niveau pour démarrer rapidement avec le deep learning. Initialement indépendante, elle est maintenant intégrée dans TensorFlow.
```python from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Dropout
model = Sequential([ Dense(128, activation='relu'), Dropout(0.2), Dense(10, activation='softmax') ])
model.compile(optimizer='adam', loss='sparsecategoricalcrossentropy', metrics=['accuracy']) ```
PyTorch, développé par Facebook, est une bibliothèque de deep learning de plus en plus populaire, notamment pour la recherche académique.
```python import torch import torch.nn as nn import torch.optim as optim
class SimpleModel(nn.Module): def init(self): super(SimpleModel, self).init() self.fc1 = nn.Linear(128, 128) self.dropout = nn.Dropout(0.2) self.fc2 = nn.Linear(128, 10)
def forward(self, x):
x = torch.relu(self.fc1(x))
x = self.dropout(x)
x = self.fc2(x)
return x
model = SimpleModel()
criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) ```