Couches denses

Introduction à TensorFlow en Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Le modèle de régression linéaire

Le schéma montre un modèle de régression avec deux caractéristiques : l'état matrimonial et l'âge. La cible du modèle est l'état de défaut d'un titulaire de carte de crédit.

Qu'est‑ce qu'un réseau de neurones ?

Le schéma montre un réseau de neurones avec deux entrées : l'état matrimonial et l'âge. La cible du réseau est l'état de défaut d'un titulaire de carte de crédit.

Qu'est‑ce qu'un réseau de neurones ?

Cette image montre un réseau de neurones plus complexe avec 10 caractéristiques d'entrée, 3 couches cachées denses et une couche de sortie.

Une couche dense applique des poids à tous les nœuds de la couche précédente.

Une couche dense simple

import tensorflow as tf

# Define inputs (features)
inputs = tf.constant([[1, 35]])

# Define weights
weights = tf.Variable([[-0.05], [-0.01]])

# Define the bias
bias = tf.Variable([0.5])

Une couche dense simple

# Multiply inputs (features) by the weights
product = tf.matmul(inputs, weights)

# Define dense layer
dense = tf.keras.activations.sigmoid(product+bias)

Ce schéma montre une couche dense qui prend deux nœuds d'entrée et produit une sortie.

Définir un modèle complet

import tensorflow as tf

# Define input (features) layer
inputs = tf.constant(data, tf.float32)

# Define first dense layer
dense1 = tf.keras.layers.Dense(10, activation='sigmoid')(inputs)

Définir un modèle complet

# Define second dense layer
dense2 = tf.keras.layers.Dense(5, activation='sigmoid')(dense1)

# Define output (predictions) layer
outputs =  tf.keras.layers.Dense(1, activation='sigmoid')(dense2)

Ce schéma montre une couche dense qui prend deux nœuds d'entrée et produit une sortie.

Approche haut niveau vs bas niveau

Approche de haut niveau
- Opérations de l'API de haut niveau

dense = keras.layers.Dense(10,\
 activation='sigmoid')

Approche de bas niveau
- Opérations algébriques linéaires

prod = matmul(inputs, weights)
dense = keras.activations.sigmoid(prod)

Passons à la pratique !

Introduction à TensorFlow en Python