Scribd Logo
Importer

Bienvenue sur Scribd !

  • 88 vues

    TP Réseaux Neurones Ex1

    Transféré par

    Eric.Boulanger
    Ce document décrit un exercice sur les réseaux de neurones en Python. Il présente des fonctions pour initialiser un réseau, afficher ses caractéristiques, calculer la sortie d'un neurone et faire de la propagation avant. Un script teste un réseau simple avec une couche cachée.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd

    TP Réseaux Neurones Ex1

    Transféré par

    Eric.Boulanger
    88 vues2 pages
    Ce document décrit un exercice sur les réseaux de neurones en Python. Il présente des fonctions pour initialiser un réseau, afficher ses caractéristiques, calculer la sortie d'un neurone et faire de la propagation avant. Un script teste un réseau simple avec une couche cachée.

    Description originale:

    Initiation au réseau neurone simple ( machine learning en Python)

    Titre original

    tp réseaux neurones ex1

    Copyright

    © © All Rights Reserved

    Formats disponibles

    PDF, TXT ou lisez en ligne sur Scribd

    Avez-vous trouvé ce document utile ?

    Ce contenu est-il inapproprié ?

    Ce document décrit un exercice sur les réseaux de neurones en Python. Il présente des fonctions pour initialiser un réseau, afficher ses caractéristiques, calculer la sortie d'un neurone et faire de la propagation avant. Un script teste un réseau simple avec une couche cachée.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    88 vues2 pages

    TP Réseaux Neurones Ex1

    Transféré par

    Eric.Boulanger
    Ce document décrit un exercice sur les réseaux de neurones en Python. Il présente des fonctions pour initialiser un réseau, afficher ses caractéristiques, calculer la sortie d'un neurone et faire de la propagation avant. Un script teste un réseau simple avec une couche cachée.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    Vous êtes sur la page 1sur 2

    tp-r195169seaux-neurones

    March 11, 2024

    1 TP Réseaux Neurones en Python


    Objet du TD :RNA, Keras, tensorflow, sklearn

    1.0.1 Exercie 1 : un réseau de neuronne simple


    Dans cet excercie, le but est d’écrire un script Python permettant d’illustrer le fonctionnement d’un
    réseau neurones
    Question1 : Ecrire une fonction initializeNetwork permettant de créer un réseau de neuronnes
    ayant une couche cachée. Les poids et kes biais seront initialisé aléatoirement.
    [4]: import numpy as np
    from keras.models import Sequential
    from keras.layers import Dense

    def initializeNetwork(input_size, hidden_size, output_size):


    model = Sequential()
    model.add(Dense(hidden_size, input_dim=input_size, activation='relu'))
    model.add(Dense(output_size, activation='sigmoid'))
    return model

    Question 2 : Ecrire unefonction showNetwork permettant d’afficher les caractéristiques d’un


    réseau de neurones.
    [5]: def showNetwork(input_size, hidden_size, output_size):
    print(f"Input layer size: {input_size}")
    print(f"Hidden layer size: {hidden_size}")
    print(f"Output layer size: {output_size}")

    Question 3: Ecrire une fonction neuronOutput permettant de calculer la sortie d’un neurone
    [6]: def neuronOutput(inputs, weights, bias):
    return np.dot(inputs, weights) + bias

    Qestion 4 : Ecrire une fonction forwardpropagate permettant de calculer les sorties d’un réseau
    de neurones ayant une couche cachée
    [7]: def forwardpropagate(inputs, model):
    return model.predict(inputs)

    1
    Question5: Ecrire un script permettant de créer, afficher et tester un reseau de neurones
    [8]: input_size = 2
    hidden_size = 3
    output_size = 1

    model = initializeNetwork(input_size, hidden_size, output_size)


    showNetwork(input_size, hidden_size, output_size)

    inputs = np.array([[0.5, 0.8]])


    output = forwardpropagate(inputs, model)
    print(f"Network output: {output}")

    Input layer size: 2


    Hidden layer size: 3
    Output layer size: 1
    1/1 �������������������� 1s 990ms/step
    Network output: [[0.4273884]]

    [ ]:

    [ ]:

    Vous aimerez peut-être aussi