Différences

Ci-dessous, les différences entre deux révisions de la page.

--- projets:creer_son_premier_reseau_de_neurone_from_scratch [12/06/2019 14:40] – amenasria
+++ projets:creer_son_premier_reseau_de_neurone_from_scratch [12/06/2019 14:44] (Version actuelle) – amenasria
@@ Ligne 1: / Ligne 1: @@
+==== Mon premier réseau de neurones from scratch ====
+//Prérequis : Base en Programmation Orientée Objets (POO) en Python//
+=== Qu'est ce qu'un réseau de neurones ? ===
+La plupart des articles compare ce concept à celui du cerveau humain. Cette image, bien que parlante, est assez éloignée de la réalité.
+Il est plus facile de décrire un réseau de neurones comme une fonction mathématique qui à partir d'un élément initialement donné (input) renvoie un élément (output) désiré.
+-
+Ainsi un réseau de neurones est constitués des composants suivants :
+  * Une couche d'entrée (**input layer**), **x**
+  * Un nombre arbitraire de couches cachées (**hidden layers**)
+  * Une couche de sortie (**output layer**), **ŷ**
+  * Un set de poids (**weights**) et de préjugés (**biases**) entre chaque couche, **W** et **b**
+  * Le choix d'une fonction d'activation (**activation function**) pour chaque couche cachée, **σ**
+//Nous choisirons ici la fonction [[https://fr.wikipedia.org/wiki/Sigmo%C3%AFde_(math%C3%A9matiques)|Sigmoïde]] en tant que fonction d'activation.//
+-
+Le graphique suivant nous montre l'architecture d'un 2-layer Neural Network
+(N.B: on exclut l'input layer lorsque l'on compte le nombre de couche dans un réseau de neurones).
+{{ :projets:first_example.png?nolink&600 |}}
+=== Création de l'objet réseau de neurones ===
+Commençons par importer les librairies dont nous aurons besoin :
+<file python>
+import numpy as np
+</file>
+Puis créons la classe selon les composants dont nous avons parlé plus tôt :
+<file python>
+class NeuralNetwork:
+    def __init__(self,x,y):
+        self.input    = x
+        self.weights1 = np.random.rand(self.input.shape[1],4)
+        self.weights2 = np.random.rand(4,1)
+        self.y        = y
+        self.output   = np.zeros(y.shape)
+</file>
+----
+=== Entraînement de notre réseau de neurones ===
+L'output **ŷ** d'un 1-layer Neural Network est **ŷ = σ(W1x + b1)**
+L'output **ŷ** d'un 2-layer Neural Network est donc **ŷ = σ(W2σ(W1x + b1) + b2)**
+On remarque dans les équations ci-dessus que les poids **W** et les préjugés **b** sont les seules variables dont dépend **ŷ**.
+Naturellement, trouver les bonnes valeurs pour les poids et les préjugés feront la force de prédiction de votre réseau. Le procédé d'ajustement de ces valeurs à partir des données de départ est appelé **entraînement du réseau de neurones**.