L'Atelier Monstre

Introduction aux TFRecords Pour l'entraînement de modèles d'apprentissage automatique avec TensorFlow, la gestion efficace des données est primordiale. Les fichiers TFRecord constituent un format binaire standardisé par TensorFlow, optimisé pour le stockage de grands ensembles de données. Ce format permet de sérialiser des données complexes, te ...

Les objets Variable dans TensorFlow représentent des tenseurs modifiables qui persistent entre les exécutions d'opérations. Contrairement aux constantes, leur valeur peut être actualisée durant l'entraînement d'un modèle. Modification des valeurs avec assign() La méthode assign() permet de remplacer la valeur d'une variable. L'exemple suivant i ...

Architecture Multi-Backend de Keras Core Keras Core offre une abstraction backend permettant d'exécuter des modèles via TensorFlow, JAX ou PyTorch sans modfiication du code applicatif. Cette flexibilité stratégique résout le dilemme traditionnel du choix du framework en préservant : L'interopérabilité entre écosystèmes via une interface unifié ...

Tenseurs et Calcul de Gradients Les tenseurs constituent la structure de données fondamentale dans TensorFlow. Ils représentent des tableaux multidimensionnels immuables (ou muables via tf.Variable) sur lesquels s'appliquent des opérations vectorisées. La maîtrise de la différentiation automatique via tf.GradientTape est essentielle pour concev ...

Lors de l'entraînement d'un modèle avec TensorFlow, l'enregistrement de l'état (checkpointing) génère une série de fichiers spécifiques. Ces fichiers sont essentiels pour reprendre un entraînement interrompu, déployer un modèle en production ou visualiser les performances dans TensorBoard. On peut généralement les classer en deux catégories : l ...

Calcul des Normes de Tenseurs Les normes sont des fonctions mathématiquse qui mesurent la "taille" ou la "magnitude" d'un vecteur ou, plus généralement, d'un tenseur. TensorFlow offre des outils pour calculer différentes normes, telles que la norme L2 (euclidienne) et la norme L1 (Manhattan), qui sont couramment utilisées en ...

1 - MLCC (Machine Learning Crash Course) L'apprentissage automatique permet d'extraire des informations significatives à partir de données, voire de transformer notre façon de raisonner en utilisant des statistiques plutôt que la logique pure. Google propose un cours intensif (MLCC) accessible à l'adresse : https://developers.google.com/machine ...

Lorsque le temps de calcul local devient un obstacle ou que les ressources d'une machine personnelle sont insuffisantes pour des tâches intensives, l'utilisation de serveurs cloud représente une solution attrayante. Cependant, l'acquisition de ces services peut s'avérer coûteuse. Google Colaboratory (Colab) offre une alternative puissante et gr ...

La convolution est une opération fondamentale dans les réseaux de neurones convolutifs (CNN). Elle consiste à appliquer un filtre (ou noyau) sur une entrée pour produire une carte de caractéristiques. Les principales différences entre la convolution 1D et 2D résident dans la dimensionnalité de l'entrée et la manière dont le filtre glisse. Convo ...

Le projet Voxel-DCGAN implémente une architecture de réseaux antagonistes génératifs convolutionnels profonds (DCGAN) spécialisée dans la création d'objets 3D représentés sous forme de voxels. En s'appuyant sur des techniques avancées d'apprentissage profond, ce modèle génère des structures tridimensionnelles complexes à partir du jeu de donnée ...