ฝัง
- เผยแพร่เมื่อ 19 มิ.ย. 2024
- Vous allez apprendre dans cette vidéo comment créer votre première Intelligence Artificielle en utilisant le langage de programmation Python !
Chapitres :
00:00 • Introduction
01:30 • Explications
05:38 • Cas d'étude
06:06 • Programmation
17:42 • Rétropropagation
20:09 • Programmation
29:04 • Conclusion
→ Algorithme du gradient : bit.ly/2ZM88YP
→ Code source du programme : bit.ly/2ORSQk6
Si tu veux me soutenir financièrement :
→ www.tipeee.com/studio-tv
🎵 Musique par HomageBeats :
→ "Eternity" : • Free Chill Storytellin...
→ "Circus" : • Free J Cole Type Beat ...
→ "Arise" : • Free Bouncy Uplifting ...
→ "Maze" : • Free Boom Bap Type Bea...
→ "Misery" : • Free Schoolboy Q Boom ...
→ "Remember" : • [FREE] Chill Storytell...
→ "Roam" : • [FREE] Denzel Curry x ...
🎵 Musique par Beats Savage :
→ "No Borders" : • Video
💬 Discord :
→ / discord
🐦 Twitter :
→ / ytstudiotv
Contact pro :
→ studiotvpro@gmail.com
CACHER UN MESSAGE SECRET DANS UNE IMAGE : • CACHER UN MESSAGE SECR...
COMMENT MONTER SON PC : • COMMENT MONTER SON PC !
COMMENT NE PAS MONTER SON PC ! : • COMMENT NE PAS MONTER ...
AGC : L’ordinateur qui emmena l’homme sur la lune : • CET ORDINATEUR A ENVOY...
COMMENT PROGRAMMER ? : • COMMENT PROGRAMMER ?
FAUX TECH VS LIVREUR PIZZA : • FAUX TECH VS LIVREUR P...
FAUX TECH VS KALI LINUX | IL M’INSULTE ! : • FAUX TECH VS KALI LINU...
#IA #NeuralNetwork #python - วิทยาศาสตร์และเทคโนโลยี
![พาแม่บินครั้งแรก..เกือบวูบ! ให้เกาหลีเยียวยาใจ I Korea Ep.1 [Seoul] x อุงเอิง](http://i.ytimg.com/vi/waL3__dEQBU/mqdefault.jpg)
Merci à tous pour vos retours positifs !
- Edit 1 - J'ai ajouté en description un lien github vers le code source du programme, ça vous évitera de recopier celui de la vidéo :D
- Edit 2 - Réponse à une question intéressante :
Question : Pourquoi avoir choisis qu'une seul couche de "neurones cachés" et pourquoi il y en a t'il 3 ? Est ce lié à un coup du hasard ? une intuition que cela fonctionne mieux ainsi ?
Réponse : La question du nombre de couche cachée est un sujet qui fait pas mal débat au sein de la communauté de l'IA, suffit de voir le nombre de commentaires à ce sujet sur internet.
Il faut savoir que dans une TRÈS grande majorité des cas, 1 seul couche cachée suffit amplement. En revanche, il existe de rare cas ou plusieurs couches améliorent les performances de notre IA.
Pour ce qui est du nombre de neurones, j'essaie en général d'avoir au moins une valeur de plus que le nombre de neurones d'entrer.Une convention connue sinon c'est d'être entre le nombre de neurones d'entrer ET ceux de sortie.
Mais ça dépend également des différents cas, je te laisse tester mon code avec différents nombres de neurones, tu verras peut-être une différence.
- Edit 3 - Réponse à une question intéressante :
Question : Je me demandais, est-il possible de sauvegarder le résultat de l'apprentissage de l'IA, car ici tu dois à chaque fois exécuter ta boucle pour que l'algorithme réapprenne non ?
Réponse : Absolument ! Il te suffit de les sauvegarder dans un fichier à part, et de le recharger quand tu en as besoin :D (Sauvegarde W1 et W2 du coup)
Tu fais une fonction :
def sauvegardePoids(self):
np.savetxt("w1.txt", self.W1, fmt="%s")
np.savetxt("w2.txt", self.W2, fmt="%s")
Et tu appelles cette fonction avant Predict().
- Edit 4 - Réponse à une question intéressante :
Question : Pourquoi tu mets les valeurs de longueur et largeur entre 0 et 1 ? T'aurais pas pu laisser les vraies valeurs ?
Réponse : L'intérêt est de donner une échelle à nos valeurs ([0,1]), sans cette standardisation, notre IA ne comprendrait pas l'échelle de nos valeurs.
Tu peux lire cet excellent article à ce sujet : machinelearningmastery.com/how-to-improve-neural-network-stability-and-modeling-performance-with-data-scaling/
- Edit 5 - Réponse à une question intéressante :
Question : Salut dans la fonction backward de ton code tu emplois un T à trois reprises mais je ne comprends pas d'ou il sort et surtout à quoi il sert
Réponse : Ça permet de faire la transposée sur la matrice, tes lignes deviennent donc des colonnes et tes colonnes des lignes.
Par exemple :
W2:
[[ 0.2980888 ]
[-0.19630084]
[-0.37035302]]
devient
W2.T :
[[ 0.2980888 -0.19630084 -0.37035302]]
On est obligé de faire cette manipulation car le calcul d'une matrice demande des conditions spécifiques.
Si je veux multiplier une matrice (avec m lignes et n colonnes) [m,n] * [n,l] (avec n lignes et l colonnes) il y a pas de soucis, par contre [m,x] * [n,l] ne peut pas fonctionner.
Il faut obligatoirement que le nombre de colonnes du premier soit égal au nombre de lignes du second !
Hello StudioTV, je me demandais, est-il possible de sauvegarder le résultat de l'apprentissage de l'IA, car ici tu dois à chaque fois exécuter ta boucle pour que l'algorithme réapprenne non ?
@@fieldytidus6385 Absolument ! Il te suffit de les sauvegarder dans un fichier à part, et de le recharger quand tu en as besoin :D (Sauvegarde W1 et W2 du coup)
Tu fais une fonction :
def sauvegardePoids(self):
np.savetxt("w1.txt", self.W1, fmt="%s")
np.savetxt("w2.txt", self.W2, fmt="%s")
Et tu appelles cette fonction avant Predict().
@@StudioTV Merci :) J'adore ce que tu fais, continue comme ça !
Très bonne vidéo. J'ai fait avec EDUpython et les bibliothèques nécessaires y sont pour ceux que ça intéresse.
@@StudioTV Bonjour je pense avoir compris ta video maus je ne comprend pas a la fin pourquoi quand tu changz la valeur la rose est alors bleu et surtout coment tu le sais avant meme d'entrainer ton IA sur cette nouvelle valeur
Alors là si tout vas bien, bah vous avez toujours rien compris x) super intéressant, un exemple très concret
Merci beaucoup ! Cela fait 3 semaines que je ne trouve pas d'exemples complets et simples mais là si. C'est très bien expliqué et on peut même comprendre les notions de maths abordées sans les avoir encore étudiées ! Merci beaucoup encore une fois !
Super intéressant, merci. C'est bien que tu détails tout depuis le début, on comprends mieux comme ça.
Je m'attendais pas a ce que tu fasses un vidéo comme ça... passionné par la programmation, tu m'as épatés
Vraiment génial comme vidéo, tu me donnes envie d'en apprendre encore plus là ! je sens que je vais passer ma nuit à regarder ce genre de vidéos...
Quel plaisir quand tu finis par trouver le bon résultat... Merci pour la vidéo !
Franchement c'est génial c'est consepte de vidéo sur les IA et machine learning,
Continue comme cela !
Hâte de voir la prochaine vidéo !!! 👌
très bonne vidéo et je trouve que le sujet est très bien vulgarisé. Si bien que cela dérange ceux qui veulent garder ce savoir que pour eux.
espece d'égoïste, on aime apprendre ici
la meilleur video sur l IA j'ai eu à suivre jusqu'a ce jour. franchement chapeaux
très belle vidéo, j'ai repris ton programme en multipliant le gradient par différentes valeurs notamment 0.3 (return 0.3*s*(1-s)) et ça a donnée de très bons résultats avec une itération de 30000.(0 erreur en validation, 0 erreur en prédiction.
Très bonne vidéo, bon étant donné mon niveau de math niveau 2nd je n’ai pu comprendre que les grandes lignes mais grâce a toi je connais le principe d’IA 😁
Excellent vidéo ! Avec un exemple complet et un peu de vulgarisation, le secret des réseaux de neurones n est plus :)
Excellente vidéo, très bien expliqué ,Merci pour le code.
J'ai trouvé la vidéo très enrichissante, pour moi qui commence à m'intéresser atla programmation j'étais larguer mais c'est tellement bien expliqué et passionnant que je suis resté jusqu'au bout bravo et merci.
Merci pour cette vidéo, excellentes explications !! bravo
Franchement juste génial ta vidéo, t'es explications sont très claire merci beaucoup ^^
Si j'avais eu ça pour mon TPE de cette année, ça nous aurait bien aidé ! Super intéressant !
J'aurais sûrement plus de chance que toi
Très pédagogique ! J'ai ajouté pour ma part une "Fonction = perte de l'entropie croisée", Cette fonction calcule la perte de l'entropie croisée pour chaque exemple d'entraînement et retourne la perte moyenne. Merci pour cet exercice sur la mystérieuse et redoutable I.A
Un grand bravo pour ta vidéo très pédagogique.
Très bonnes explications . Merci
Hello Studio TV, j'adore la vidéo ! On en veut d'autres :)
Fieldytidus Merci ! C’est noté !
Merci pour ce partage. Un bout de code bien expliqué est bien plus parlant qu'un long texte d’université pour un vieux dev comme moi :)
j'aime le concept de cette vidéo en plus sa apprend beaucoup chose dans la création de IA
Hey, la vidéo est insane mec je l'avait vu il y a quelque mois et aujourd'hui en cours on nous a demander de faire une page ou on parle d'un sujet ( pour moi ca a été l'IA)
j'ai directe penser à cette video!
c'est super bien expliquer dans les détails et étape par étape sans pour autant qu'on perde le fil (Chuis en première et franchement si c'était les profs qui nous l'avait expliquer j'pense pas que quelqu'un aurait suivis) enfin bref continue comme ca bg tu gère!
Top merci pour les explications :)
t'es un crack, merci pour cette vidéo !
une très bonne vidéo bravo. 👍🏻
Merci énormément pour ces explications très utiles
Tres intéressant bien expliqué merci
c'est incroyable merci de me permettre de découvrir ce monde là
cc vince super video le montage au top comme dhabitude c est super l intelligence artificielle merci pour le partage
Wow sacrée vidéo bravo !
Juste incroyable, je n'avais jamais compris comment fonctionnait une IA, et tu vient de me l'expliquer en moins de 30 minutes, merci !!
c'est quand-même beaucoup plus compliqué que ça ahah
tu sais vraiment bien expliquées j'ai tout compris merci a toi
Vraiment sympa comme vidéo
Salut StudioTV !
Je me demandait si tu pouvais prochainement nous faire un tuto sur une intelligence artificielle où il y aurait une bases de données d'images (par exemple un dossier nommé éléphant où il y aurait les 500 premières photo d'éléphant que l'on trouve en faisant une recherche) qui serait capable de classer des images, ou d'en générer une ? Je pense que beaucoups de personnes seraient interressées par ce tutoriel =D
Après avoir vu votre vidéo, pas le choix, je me suis abonné pourtant je suis pas un codeur python, mais tellement vous avez tout expliqué que j'ai tout compris. Je vais m’intéresser un peu plus à python.
Tres bonne vidéo , interessante et bien expliquée , merci
Merci pour cette vidéo très claire.
merci c'est la meilleur vidéo de ma vie sur le sujet sa fait 10 ans que je chercher une video comme sa je suis choquer et révolter et surpris de voir la date de la video la pédagogie est remarquable impressionnent bravo j’en veut encore combien sa coute je contribue
Très intéressant !
Merci pour le tuto le Matheu!
Mercii enfin trouvé un bon tuto depuis des jours
Merci de tout coeur !!!!!!
Super vidéo
Bonne pédagogie en plus
merciiii je vous aime
Bonjour génial la vidéo,
Très bonne introduction à l'intelligence artificielle, continue, bravo !
Bonne vidéo
merci pour ta video inspirante
Je recommande !!!!!!!!!!!!!! best ia video on youtube fr
Merci au moins maintenant j'ai compris comment on appliquait la rétropropagation
c'est énorme jvai faire une fonction predict en entrant les perf (musique) des chevaux du PMU MDR !! c'est excellent ta vidéo merci
La musique seule ne suffirait pas , mais avec une dizaine de param en entrée jsuis curieux de voir les resultat avc le deep learning
Tu es un très bon pédagogues
Super vidéo
Merci beaucoup
Bonsoir disons c'est intéressant encore bravo d'autres videos svp
super vidéo
Gros tu gères
Video au tooppppp
Merci beaucoup, ce fut intéressant, même si j'ai lâcher à la rétropropagation ça deviens trop compliquer pou un novice ^^.
merci à vous
Merci pour ta vidéo.
Question : la dérivée de sigmoid(x) ce n'est pas x*(1-x). C'est sigmoid(x) * (1-sigmoid(x)) ce qui n'est pas du tout la même chose ! C'est une dérivée qu'on peut écrire à partir de la fonction de base, ce qui est bien pratique. Je ne comprends pas pourquoi ici on utilise s*(1-s).
[ Edit ] Pour ceux que ça intéresse : en fait le code est juste, mais l'explication manque. En réalité le "s" qu'on passe à sigmoidPrime() est déjà une valeur de sigmoid. C'est pour ça qu'on ne réapplique pas la sigmoid à l'intérieur de la méthode qui calcule sa dérivée.
MErci beaucoup pour l'éclaircissement, j'ai également constaté la même erreur et je ne comprenais pas pourquoi ça fonctionnait
WOAW merci de partager tes connaissance, c'est pas facile de trouver des infos sur le sujet et surtout que elle soit compressible! J'aurais une question est-ce que se serait pas plus intéressant entrainer plusieurs ia et d'ajouter un peu de random sur la modification des poids pour augmenter la probabilité d'obtenir les valeurs les plus optimal pour les poids?
Vidéo très intéressante, notamment pour ceux qui découvrent ce domaine, j'ai cependant quelques remarques à faire :
- tout d'abord sur le code en lui-même, si vous voulez accélérer la vitesse d'apprentissage, supprimez les affichages (ou ne gardez que les valeurs finales des poids) ;
- j'ai du mal à comprendre pourquoi vous avez choisi la sigmoïde avec λ = 1 pour la couche de sortie, autant prendre une fonction de Heaviside qui donne directement un résultat à 0 ou à 1 (et la Heaviside n'est qu'un cas limite de sigmoïde avec λ → ∞, donc la rétro-propagation fonctionne toujours) ;
- une chose me gêne, en effet vous dite que plus l'entrainement à d'itérations, plus le réseau est bon, cependant avec un nombre trop grand d'itérations vous risquez la sur-apprentissage (overfitting).
Malgré ces quelques points votre vidéo reste un travail de qualité.
Merci pour votre commentaire :D Je vais répondre dans l'ordre :
- Effectivement le mieux à faire est d'afficher seulement les dernières valeurs, ce sont les plus intéressantes, en revanche je voulais que les viewers voient bien l'évolution de la prédiction. C'est pour ça que j'ai laissé cet affichage :)
- Pour entrainer mon réseau de neurones j'ai utilisé l'algorithme du gradient, cet algorithme du gradient a besoin d'une fonction d'activation différentiable, hors la fonction d'activation Heaviside n'est pas différentiable .La dérivée de la fonction Heaviside est égale à 0 quand x0. Ça pose donc de gros problèmes dans la mis à jour des poids.
Donc la fonction Heaviside n'est JAMAIS utilisée pour la rétropropagation.
- J'aurais effectivement du préciser ce détail, petite erreur de ma part :/
@@StudioTV Merci de votre réponse, sans en arriver à Heaviside, il suffit de prendre un λ très grand ^^, mais pas trop pour ne pas augmenter la complexité. Et sinon, même avec une Heaviside, on ne peut normalement pas avoir de valeurs en 0, sinon où la placer (en rouge ou en bleue dans votre exemple) donc je ne pense pas que ça pose de problèmes en pratique.
De plus, mathématiquement Heaviside peut être dérivée en 0 en considérant les distributions, mais ce n'est qu'une remarque mathématique, un Dirac n'a pas d'existence propre numériquement.
Extraordinaire merci du partage, tu as un avenir en pédagogie je pense.
Vidéo incoryable
Ouais t'as fait un réseau de neurones quoi, c'est un peu la base. J'ai beaucoup utilisé anaconda d'ailleurs, c'est ce que je préconise également aux débutants, mais à un moment donné le python c'est bien gentil trois secondes. Ok ça prend des mois de tout se retaper en scratch et en C++ mais franchement ça en vaut la peine, j'ai même pu faire de nombreuses petites découvertes mathématiques (et redécouvertes, ça ce sont les risques du hors piste hein ça arrive, parfois on croise d'autres skieurs, woops) au cours des dernières années, donc ouais je regrette pas.
D'ailleurs personne ne comprenait mon obsession pour l'ia il y a (super jeu de mots) encore de ça quelques années, on me prenait pour un dingue. Et aujourd'hui tout le monde en parle, surtout ceux qui n'y connaissent rien. Ça ne me dérange pas, mais c'est quand-même du bon gros enfumage. 😂
J'entends vraiment tout et n'importe quoi (rien à voir avec toi tkt, je parle en général sur youtube ou autour de moi).
Même parfois j'entends des patrons d'entreprise en train de complètement fantasmer ou de délirer sur le sujet. 😂
Ils sont tous monumentalement à côté de leurs pompes et j'inclus aussi google dans le lot avec leurs gros algorithmes et leurs gros data centers hein.
Pour moi le plus gros du boulot a été fait par IBM, puis NVIDIA. Et évidemment des tas de petits étudiants brillants et autres énergumènes dont je fais partie. 😅
Sans oublier tous les mathématiciens de l'Histoire qui ont apporté leur pierre à l'édifice évidemment.
Les autres globalement ce sont tous plus ou moins des escrocs hein, on ne va pas se mentir, ils sont là pour la thune avant tout. 😂
Super vidéo, tu comptes continuer dans ce domaine pour de prochaines vidéos ? Ça serait vraiment super intéressant d'avoir d'autres exemples détaillés comme celui là !
Cette vidéo a de bons retours, alors oui il y a des chances que je continue sur l'IA :D
bien bien bien !
Super vidéo, on voit un aperçu de ce qu'on peut faire en IA. Ca semble moins flou. Tu fais/as fait quoi comme études ?
Merci ! J'ai fais Maths/Info :)
merci
Il faut s'accrocher pour tout comprendre ! Merci beaucoup, c'était très intéressant, mais comme je suis en 1ère je n'ai pas encore appris les matrices et ses fonctions.
Ouais c est la aussi ou je bloque
si tu fais maths expertes on le vois cette année normalement
@@nicolascolinas9986 Oui je viens de terminer le chapitre
petit c 'est le niveau universitaire il faut maitriser les matrices et les probabilités sinon tu ne pourras rien comprendre dans cette video
@@helpstofindhelpstofind7118 matrices et probas = niveau terminale S, mais depuis qu'il n'y a plus de S je crois que ça ne se voit plus et qu'ils ont baissé le niveau
Les synapses sa me rappel mes cours de SVT
Super vidéo! Seulement à 17:30, je ne comprends pas pourquoi tu as mis o=NN.forward(X) alors qu'on avait définit la fonction forward avec 2 parametres?
Merci c simple en fait
tout est simple quand bien expliqué
Pour connaitre le nombre ou elle trouvera 0 et 1 à la perfection il fallait créer une boucle qui vérifier que chaque valeur tombe bien sur 1 0 1 0 1 0.
Pour connaitre le nombre de calcul a faire pour être sur au moment des tests.
Super vidéo !
Bogo-sort in a nutshell
J’ai rien compris parce que je comprends rien au Python et aux algos mais j’ai bien aimé, c’est bien expliqué
C'est vraiment cool de faire ça. Par contre je n'aurais jamais cru qu'un verbe à l'infinitif me pique les yeux dans un programme.
Bonjour, j'avais une question, est-ce que on peut récupérer les valeurs des poids à la fin de l'entrainement pour les remplacer avec les poids qu'on défini aléatoirement au début ?
bonjour une question et il possible de mettre une voix en mp3 pour la reconnaissance vocal?
Bonjour, pourrai tu faire la même chose mais pour une IA de reconnaissance d'objet sur une image ?
j'ai pas tt compris donc je vais la reregarder mais merci bcp !
Comment en apprendre plus ? j'ai réussi à te suivre dans les calculs. Je trouve ça super intéressant mais je n'est pas trouver de cas pratique. Je vais déjà essayer d'augmenter le nombre d'entrée. Y a t'il une relation entre le nombre d'entrée et le nombre de couche hidden ?
Merci, j'avais déjà compris le système de poids et neurones mais les IA me paraîssaient extrêmement complexes et inaccessibles alors que là j'ai tout compris.
Pour avoir un meilleur apprentissage, tu devrais prendre en compte un biais pour chaque neurones (bias en anglais). si tu ne sais pas de quoi je parle, Google est ton ami 😂
Bonjour je pense avoir compris ta video maus je ne comprend pas a la fin pourquoi quand tu changz la valeur la rose est alors bleu et surtout coment tu le sais avant meme d'entrainzr ton IA sur cette nouvelke valeur
Mais pour des choses plus complexes avec beau oup plus de parametres qui entre en jeux il faut du coup d'autres fonctions j'imagine ?
Est ce que on peut considérer l'algorithme de knn comme de l'IA?
Carrément satisfait la !!! Merci infiniment . Dis pour débuter tu suggeres a un apprenant de commencer par quoi . J ai un vrai souci avec le code en général .
CHOISIS PYTHON ;)
Comment pourrais je avoir une copie de votre vidéo, je me forme et je n'arrive pas à voir le contenu de votre vidéo.
J'aimerais en même temps que vous tapez votre programme , taper de mon côté histoire d'apprendre, mais c'est flou.
Merci encore vos explications très claires
Et à ce moment là normalement vous avez rien compris, +1abonne je t’adores 😂
Woaw
Merci, c'est pour moi la meilleur vidéo sur le sujet pour un néophyte, très bon dosage entre théorie et pratique.
Juste une question, j'ai peut-être loupé un truc dans la vidéo, comment tu choisis le nombre de "neurones" pour la couche cachée ?
Salut ! Je colle une réponse que j'ai deja postée :D
La question du nombre de couche cachée est un sujet qui fait pas mal débat au sein de la communauté de l'IA, suffit de voir le nombre de commentaires à ce sujet sur internet.
Il faut savoir que dans une TRÈS grande majorité des cas, 1 seul couche cachée suffit amplement. En revanche, il existe de rare cas ou plusieurs couches améliorent les performances de notre IA.
Pour ce qui est du nombre de neurones, j'essaie en général d'avoir au moins une valeur de plus que le nombre de neurones d'entrer.Une convention connue sinon c'est d'être entre le nombre de neurones d'entrer ET ceux de sortie.
Mais ça dépend également des différents cas, je te laisse tester mon code avec différents nombres de neurones, tu verras peut-être une différence.
@@StudioTV Merci, désolé pour la question redondante,je n'avais pas lut les commentaires, ça ouvre des portes sur d'autres sujets à suivre du coup ;)
Vidéo très sympa et assez bien expliqué.
Néanmoins un point ne me semble pas avoir été expliqué et me gène un peu :
Pourquoi avoir choisis qu'une seul couche de "neurones cachés" et pourquoi il y en a t'il 3 ?
Est ce lié à un coup du hasard ? une intuition que cela fonctionne mieux ainsi ? ou plutôt est ce lié à un calcul mathématiques ou autres ?
Salut Remi !
Tout d'abord merci pour ton commentaire :D
C'est une excellente remarque, je vais donc essayer de te répondre clairement et en profiter pour ajouter ta question à mon commentaire épinglé .
La question du nombre de couche cachée est un sujet qui fait pas mal débat au sein de la communauté de l'IA, suffit de voir le nombre de commentaires à ce sujet sur internet.
Il faut savoir que dans une TRÈS grande majorité des cas, 1 seul couche cachée suffit amplement. En revanche, il existe de rare cas ou plusieurs couches améliorent les performances de notre IA.
Pour ce qui est du nombre de neurones, j'essaie en général d'avoir au moins une valeur de plus que le nombre de neurones d'entrer.
Une convention connue sinon c'est d'être entre le nombre de neurones d'entrer ET ceux de sortie.
Mais ça dépend également des différents cas, je te laisse tester mon code avec différents nombres de neurones, tu verras peut-être une différence.
Voilà, j'espère que cela aura répondu à ta question !
Epatant !!!
Bonjour merci pour ton travail, ce que je ne comprends pas c'est une fois l algorithme entraîné comment cela ce passe après dans la pratique il faut refaire un entraînement à chaque fois ? Dans le cas ou on redémarre le programme.
Hello, non pas forcément car l'apprentissage c'est seulement le fait de modifier la valeurs des poids de chaque neurones donc en gros tu démarre avec un poids "random" pour chaque neurones et a fur et a mesure des forward et backpropagation les poids sont modifiés pour se rapproché du résultat optimal. A la fin de l'entrainement la différence avec le début c'est la valeur des poids donc tu peux facilement stocker leurs valeurs dans un fichier avec les paramètres de ton modèle pour les charger quand tu fais une prédiction, de cette manière tu n'as pas a faire 2 fois l'apprentissage.
Super vidéo !
Par contre, le pourcentage de chance qu'il y ait 3 sorties prédites fausses après les 29 999 essais est, je pense, assez faible :')
bonjour,
svp comment peut on afficher les derniers poids après apprentissage ? merci