Réseaux de neurones et couches

Introduction au Deep Learning avec PyTorch

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Couches d'un réseau de neurones

Schéma d'un réseau de neurones avec entrée, couche cachée et sortie

Couches d'un réseau de neurones

Schéma d'un réseau de neurones avec entrée, couche cachée et sortie

Couches d'un réseau de neurones

Schéma d'un réseau de neurones avec entrée, couche cachée et sortie

Couches d'un réseau de neurones

Schéma d'un réseau de neurones avec entrée, couche cachée et sortie

Notre premier réseau de neurones

Schéma d'un réseau de neurones de base avec seulement entrée et sortie

Réseau entièrement connecté
Équivalent à un modèle linéaire

Concevoir un réseau de neurones

Trois nœuds représentant l'entrée d'un réseau de neurones

# Importing as nn to avoid writing torch.nn
import torch.nn as nn


# Create input_tensor with three features
input_tensor = torch.tensor(
    [[0.3471, 0.4547, -0.2356]])

Neurones d'entrée = caractéristiques
Neurones de sortie = classes

Concevoir un réseau de neurones

Trois nœuds en entrée d'un réseau de neurones avec des flèches vers l'avant représentant la couche linéaire

# Importing as nn to avoid writing torch.nn
import torch.nn as nn


# Create input_tensor with three features
input_tensor = torch.tensor(
    [[0.3471, 0.4547, -0.2356]])


# Define our linear layer
linear_layer = nn.Linear(

                         in_features=3,

                         out_features=2

                         )

Concevoir un réseau de neurones

Schéma d'un réseau de neurones de base avec seulement entrée et sortie

# Importing as nn to avoid writing torch.nn
import torch.nn as nn


# Create input_tensor with three features
input_tensor = torch.tensor(
    [[0.3471, 0.4547, -0.2356]])


# Define our linear layer
linear_layer = nn.Linear(
                         in_features=3, 
                         out_features=2
                         )


# Pass input through linear layer
output = linear_layer(input_tensor)
print(output)

Concevoir un réseau de neurones

Schéma d'un réseau de neurones de base avec seulement entrée et sortie

$$ $$ $$

# Pass input through linear layer
output = linear_layer(input_tensor)
print(output)

tensor([[-0.2415, -0.1604]], 
    grad_fn=<AddmmBackward0>)

Poids et biais

output = linear_layer(input_tensor)

Représentation d'une opération linéaire

Poids et biais

.weight
```
print(linear_layer.weight)
```

Parameter containing:
tensor([[-0.4799,  0.4996,  0.1123],
        [-0.0365, -0.1855,  0.0432]], 
        requires_grad=True)

Reflète l'importance des différentes caractéristiques

.bias
```
print(linear_layer.bias)
```

Parameter containing:
tensor([0.0310, 0.1537], requires_grad=True)

Donne au neurone une sortie de base

Réseau entièrement connecté en action

Schéma d'un réseau de neurones de base avec seulement entrée et sortie

Réseau entièrement connecté en action

Schéma d'un réseau de neurones de base avec seulement entrée et sortie

Réseau entièrement connecté en action

Schéma d'un réseau de neurones de base avec seulement entrée et sortie

La caractéristique « humidité » aura un poids plus important
Le biais tient compte de l'information de base

Passons à la pratique !

Introduction au Deep Learning avec PyTorch