Durée: 12 mois
Rubrique: Ingénieur IA
Créer des modèles de Deep Learning avec TensorFlow est une compétence essentielle pour tout praticien du Machine Learning. Dans cette leçon, nous allons explorer les étapes nécessaires pour construire, entraîner et évaluer un modèle de Deep Learning en utilisant cette bibliothèque puissante.
La première étape consiste à définir l'architecture du modèle. En TensorFlow, cela peut être accompli en utilisant l'API tf.keras
qui offre une interface haut niveau pour la conception des modèles. Vous pouvez utiliser la classe Sequential
pour créer un modèle couche par couche :
```python import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense
model = Sequential()
model.add(Dense(units=64, activation='relu', inputshape=(784,))) model.add(Dense(units=10, activation='softmax')) ```
Ici, nous avons créé un réseau de neurones avec une couche d'entrée de 784 neurones, une couche cachée de 64 neurones avec l'activation ReLU, et une couche de sortie de 10 neurones avec une activation softmax.
Une fois le modèle défini, il doit être compilé. Cela inclut la spécification de la fonction de perte, de l'optimiseur et des métriques d'évaluation :
python
model.compile(
optimizer='adam',
loss='sparsecategoricalcrossentropy',
metrics=['accuracy']
)
L'optimiseur adam
permet un ajustement efficace des paramètres du modèle, et la fonction de perte sparsecategoricalcrossentropy
est appropriée pour les problèmes de classification multiclasses.
L'entraînement du modèle se fait en utilisant les données d'entraînement. Cela peut être fait avec la méthode fit
:
```python
model.fit(xtrain, ytrain, epochs=10, batchsize=32) ```
Ce code entraîne le modèle sur les données xtrain
et ytrain
pour 10 époques avec une taille de lot (batchsize) de 32.
Pour évaluer les performances du modèle, on utilise la méthode evaluate
:
```python
loss, accuracy = model.evaluate(xtest, ytest) print(f"Perte: {loss}, Précision: {accuracy}") ```
Cela permet d'obtenir des métriques de performance telles que la perte et la précision sur les données de test.
Après avoir entraîné un modèle, il est souvent utile de le sauvegarder pour une utilisation future. Cela peut être réalisé grâce à la méthode save
:
```python
model.save('model.h5') ```
Pour charger le modèle sauvegardé, vous pouvez utiliser loadmodel
:
```python from tensorflow.keras.models import loadmodel
loadedmodel = loadmodel('model.h5') ```
Ces étapes essentielles vous permettent de définir, compiler, entraîner, évaluer et sauvegarder vos modèles de Deep Learning avec TensorFlow.