Scribd
Importer
10 vues1 page

Optimisation des Réseaux de Neurones

Transféré par

ibtissamzeifri2001
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats TXT, PDF, TXT ou lisez en ligne sur Scribd
10 vues1 page

Optimisation des Réseaux de Neurones

Transféré par

ibtissamzeifri2001
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats TXT, PDF, TXT ou lisez en ligne sur Scribd

entrainement de reseau de neurones: ajuster les parametres (p et w) en fct de taux

d erreur
parametres importantes {fonction de perte et optimiser} et optionnele metric
(surveiller les performance de model dans l entrainement)
fonction d activation

comment on peut upgrade le model:

augmenter le nombres d iteration


nmr couches cacher
nbr d neurones
retropropagation
learning rate (param technic)

1-DataSet
2-Preprossessing--> Normalisation=travailler avec un ptt intervale [0,255]-->[0,1]
3-Split Data (Train and Test)
4-Model(Architecture)
layers
Neurones/layers
fct d activation=Relu/softmax
5-Additionel Parameters
optimiser ]=>training
fct de perte ]

6-Train Model
[train data/train labels/Iteration(epoque)]
7-Test Evaluate model
[test Data (Test), Test Label(evaluate)]
8-->Deploy= "Streamlit" (flask/Django)
-->Ineraux performance|epoque/Hidden layers|Neurons|Data/hidden layers|changer
architecture

softmax (fct d activation) chaque output on probabilite

Vous aimerez peut-être aussi