Définir des réseaux de neurones avec Keras

Introduction à TensorFlow en Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Classer des lettres en langue des signes

Cette image montre la lettre A en langue des signes.

Cette image montre la lettre B en langue des signes.

Cette image montre la lettre C en langue des signes.

Cette image montre la lettre D en langue des signes.

L'API séquentielle

Cette image montre un réseau de neurones avec 16 nœuds dans la première couche cachée, 8 dans la deuxième et 4 dans la couche de sortie.

L'API séquentielle

Couche d'entrée
Couches cachées
Couche de sortie
Ordonnées en séquence

Créer un modèle séquentiel

# Import tensorflow
from tensorflow import keras

# Define a sequential model
model = keras.Sequential()

# Define first hidden layer
model.add(keras.layers.Dense(16, activation='relu', input_shape=(28*28,)))

Créer un modèle séquentiel

# Define second hidden layer
model.add(keras.layers.Dense(8, activation='relu'))

# Define output layer
model.add(keras.layers.Dense(4, activation='softmax'))

# Compile the model
model.compile('adam', loss='categorical_crossentropy')

# Summarize the model
print(model.summary())

L'API fonctionnelle

La figure montre un réseau de neurones avec deux ensembles d'entrées.

Utiliser l'API fonctionnelle

# Import tensorflow
import tensorflow as tf

# Define model 1 input layer shape
model1_inputs = tf.keras.Input(shape=(28*28,))

# Define model 2 input layer shape
model2_inputs = tf.keras.Input(shape=(10,))

# Define layer 1 for model 1
model1_layer1 = tf.keras.layers.Dense(12, activation='relu')(model1_inputs)

# Define layer 2 for model 1
model1_layer2 = tf.keras.layers.Dense(4, activation='softmax')(model1_layer1)

Utiliser l'API fonctionnelle

# Define layer 1 for model 2
model2_layer1 = tf.keras.layers.Dense(8, activation='relu')(model2_inputs)

# Define layer 2 for model 2
model2_layer2 = tf.keras.layers.Dense(4, activation='softmax')(model2_layer1)

# Merge model 1 and model 2
merged = tf.keras.layers.add([model1_layer2, model2_layer2])

# Define a functional model
model = tf.keras.Model(inputs=[model1_inputs, model2_inputs], outputs=merged)

# Compile the model
model.compile('adam', loss='categorical_crossentropy')

Passons à la pratique !

Introduction à TensorFlow en Python