Les réseaux neuronaux expliqués : les bases de l’apprentissage profond

Que sont les réseaux neuronaux ?

Les réseaux neuronaux sont des systèmes informatiques inspirés des réseaux neuronaux biologiques. Ils sont constitués de nœuds interconnectés (neurones) organisés en couches qui traitent les informations pour apprendre des modèles à partir des données.

Architecture réseau

import tensorflow as tf
from tensorflow import keras

# Sequential model
model = keras.Sequential([
    keras.layers.Dense(128, activation='relu', input_shape=(784,)),
    keras.layers.Dropout(0.2),
    keras.layers.Dense(64, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])

# Compile model
model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy']
)

Fonctions d'activation

# ReLU: most common for hidden layers
# Sigmoid: binary classification output
# Softmax: multi-class classification output
# Tanh: alternative to sigmoid

# Custom activation
def custom_activation(x):
    return tf.nn.relu(x) * tf.math.tanh(x)

Processus de formation

# Train the model
history = model.fit(
    X_train, y_train,
    epochs=10,
    batch_size=32,
    validation_split=0.2,
    callbacks=[
        keras.callbacks.EarlyStopping(patience=3),
        keras.callbacks.ModelCheckpoint('best_model.h5')
    ]
)

# Evaluate
test_loss, test_acc = model.evaluate(X_test, y_test)
print(f'Test accuracy: {test_acc}')