Python Deep Learning - Principes de base

Dans ce chapitre, nous examinerons les principes de base de Python Deep Learning.

Modèles / algorithmes d'apprentissage profond

Découvrons maintenant les différents modèles / algorithmes d'apprentissage en profondeur.

Certains des modèles populaires de l'apprentissage profond sont les suivants:

Réseaux de neurones convolutifs
Réseaux de neurones récurrents
Réseaux de croyances profondes
Réseaux antagonistes génératifs
Auto-encodeurs et ainsi de suite

Les entrées et sorties sont représentées sous forme de vecteurs ou de tenseurs. Par exemple, un réseau neuronal peut avoir les entrées où les valeurs RVB des pixels individuels dans une image sont représentées sous forme de vecteurs.

Les couches de neurones qui se trouvent entre la couche d'entrée et la couche de sortie sont appelées couches cachées. C'est là que se déroule l'essentiel du travail lorsque le réseau neuronal tente de résoudre des problèmes. Un examen plus approfondi des couches cachées peut en révéler beaucoup sur les fonctionnalités que le réseau a appris à extraire des données.

Différentes architectures de réseaux de neurones sont formées en choisissant les neurones à connecter aux autres neurones de la couche suivante.

Pseudocode pour le calcul de la sortie

Voici le pseudo-code pour calculer la sortie de Forward-propagating Neural Network -

# node []: = tableau de nœuds triés topologiquement
# Une arête de a à b signifie que a est à gauche de b
# Si le réseau neuronal a des entrées R et des sorties S,
# alors les premiers nœuds R sont des nœuds d'entrée et les derniers nœuds S sont des nœuds de sortie.
# entrant [x]: = nœuds connectés au nœud x
# weight [x]: = poids des arêtes entrantes à x

Pour chaque neurone x, de gauche à droite -

si x <= R: ne rien faire # c'est un nœud d'entrée
entrées [x] = [sortie [i] pour i en entrée [x]]
weighted_sum = dot_product (poids [x], entrées [x])
sortie [x] = fonction_activation (somme_poids)