Durée: 12 mois
Rubrique: Ingénieur IA
Dans cette leçon, nous allons aborder la manière de construire des modèles de Deep Learning en utilisant Keras. Keras est une interface de haut niveau pour TensorFlow qui permet de créer et d'entrainer des modèles de machine learning de manière simple et efficace.
Avant de commencer, assurezvous d'avoir installé les bibliothèques nécessaires. Vous pouvez installer TensorFlow et Keras en utilisant la commande suivante :
bash
pip install tensorflow
Keras offre deux façons principales de définir un modèle : 1. Modèle séquentiel : Idéal pour des couches empilées les unes après les autres. 2. API fonctionnelle : Plus flexible et permet de créer des architectures complexes.
```python from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense
model = Sequential()
model.add(Dense(units=64, activation='relu', inputshape=(100,))) model.add(Dense(units=10, activation='softmax')) ```
```python from tensorflow.keras.models import Model from tensorflow.keras.layers import Input, Dense
inputs = Input(shape=(100,))
x = Dense(units=64, activation='relu')(inputs) outputs = Dense(units=10, activation='softmax')(x)
model = Model(inputs=inputs, outputs=outputs) ```
Avant d'entraîner le modèle, il faut le compiler. La compilation configure le processus d'apprentissage en spécifiant la fonction de perte, l'optimiseur et les métriques.
python
model.compile(optimizer='adam', loss='categoricalcrossentropy', metrics=['accuracy'])
Pour entraîner le modèle, utilisez la méthode fit
. Cette méthode accepte plusieurs paramètres, dont les plus importants sont les données d'entraînement (x
et y
), le nombre d'époques et la taille du batch.
python
history = model.fit(xtrain, ytrain, epochs=10, batchsize=32, validationsplit=0.2)
Après l'entraînement, évaluez les performances de votre modèle en utilisant la méthode evaluate
sur les données de test.
python
loss, accuracy = model.evaluate(xtest, ytest)
print(f'Perte: {loss}, Précision: {accuracy}')
Pour faire des prédictions sur de nouvelles données, utilisez la méthode predict
.
python
predictions = model.predict(xnew)
Keras offre une manière intuitive et flexible de construire et d'entraîner des modèles de Deep Learning. Que vous soyez débutant ou expérimenté(e), Keras vous permet de mettre rapidement en œuvre vos idées grâce à ses modèles séquentiels et son API fonctionnelle.