Un guide sur l’apprentissage profond et les réseaux de neurones | de Serokell | Meilleure programmation | Octobre 2020

Online Coding Courses for Kids

Il existe tellement de réseaux de neurones différents qu’il est tout simplement impossible de tous les mentionner. Si vous souhaitez en savoir plus sur cette variété, visitez le zoo du réseau neuronal, où vous pouvez les voir tous représentés graphiquement.

Réseaux de neurones à réaction

C’est l’algorithme de réseau neuronal le plus simple. Un réseau à feed-forward n’a pas de mémoire. Autrement dit, il n’y a pas de retour en arrière dans un réseau à réaction. Dans de nombreuses tâches, cette approche n’est pas très applicable. Par exemple, lorsque nous travaillons avec du texte, les mots forment une certaine séquence et nous voulons que la machine la comprenne.

Les réseaux de neurones à réaction directe peuvent être appliqués à l’apprentissage supervisé lorsque les données avec lesquelles vous travaillez ne sont pas séquentielles ou dépendantes du temps. Vous pouvez également l’utiliser si vous ne savez pas comment la sortie doit être structurée, mais que vous souhaitez créer un NN relativement rapide et facile.

Réseaux de neurones récurrents

Un réseau de neurones récurrent peut traiter des textes, des vidéos ou des ensembles d’images et devenir plus précis à chaque fois car il se souvient des résultats de l’itération précédente et peut utiliser ces informations pour prendre de meilleures décisions.

Les réseaux de neurones récurrents sont largement utilisés dans le traitement du langage naturel et la reconnaissance vocale.

Réseaux de neurones convolutifs

Les réseaux de neurones convolutifs sont la norme de l’apprentissage automatique en profondeur d’aujourd’hui et sont utilisés pour résoudre la majorité des problèmes. Les réseaux de neurones convolutifs peuvent être soit à réaction, soit récurrents.

Voyons comment ils fonctionnent. Imaginez que nous ayons une image d’Albert Einstein. Nous pouvons attribuer un neurone à tous les pixels de l’image d’entrée.

Mais il y a un gros problème ici: si vous connectez chaque neurone à tous les pixels, vous obtiendrez d’abord beaucoup de poids. Par conséquent, ce sera une opération très gourmande en calcul et prendra beaucoup de temps. Ensuite, il y aura tellement de poids que cette méthode sera très instable au surajustement. Il prédira tout bien sur l’exemple d’entraînement mais fonctionnera mal sur d’autres images.

Par conséquent, les programmeurs ont proposé une architecture différente, où chacun des neurones est connecté uniquement à un petit carré de l’image. Tous ces neurones auront les mêmes poids, et cette conception est appelée convolution d’image. Nous pouvons dire que nous avons transformé l’image, parcourue avec un filtre simplifiant le processus. Moins de poids, plus rapide à compter, moins sujet au surajustement.

Pour une explication impressionnante du fonctionnement des réseaux de neurones convolutifs, regardez cette vidéo de Luis Serrano.

Réseaux de neurones antagonistes génératifs

Un réseau antagoniste génératif est un algorithme d’apprentissage automatique non supervisé qui est une combinaison de deux réseaux de neurones, l’un (réseau G) qui génère des modèles et l’autre (réseau A) qui tente de distinguer les vrais échantillons des faux. Puisque les réseaux ont des objectifs opposés – créer des échantillons et rejeter des échantillons – ils lancent un jeu antagoniste qui s’avère assez efficace.

Les GAN sont utilisés, par exemple, pour générer des photographies perçues par l’œil humain comme images naturelles ou deepfakes (vidéos où de vraies personnes disent et font des choses qu’elles n’ont jamais faites dans la vraie vie).

Close Menu