Extrait de code utilisé :
from tensorflow import keras
from tensorflow.keras import layers
model = keras.Sequential()
model.add(layers.Dense(units=6, input_shape=[1])) model.add(layers.Dense(units=128)) model.add(layers.Dense(units=128)) model.add(layers.Dense(units=128)) model.add(layers.Dense(units=128)) model.add(layers.Dense(units=128))
model.add(layers.Dense(units=1))
while True: x = int(input('Nombre :')) print('Prédiction :'+str(model.predict([x])))
from tensorflow.keras import layers
model = keras.Sequential()
model.add(layers.Dense(units=6, input_shape=[1])) model.add(layers.Dense(units=128)) model.add(layers.Dense(units=128)) model.add(layers.Dense(units=128)) model.add(layers.Dense(units=128)) model.add(layers.Dense(units=128))
model.add(layers.Dense(units=1))
entree = [10, 24, 31, 40, 55]
sortie = [48, 90, 111, 138, 183]
while True: x = int(input('Nombre :')) print('Prédiction :'+str(model.predict([x])))
Exemple de resultat
Si on donne le nombre 75 en entrée, le modèle prédit une sortie de 242.99997, le résultat attendu étant de 243. Je vous laisse trouver le calcul !
Ce modèle est simple, mais il montre ma capacité à entraîner un réseau de neurones pour effectuer des prédictions.
Explications pédagogiques :
keras.Sequential(): crée un modèle où les couches s’ajoutent les unes à la suite des autres, comme une chaîne.layers.Dense(): ajoute une couche de neurones complètement connectée (chaque neurone est lié à tous ceux de la couche précédente).input_shape=[1]: indique qu’on donne un seul nombre en entrée.model.compile(): prépare le modèle pour l'entraînement (choix de l’algorithme d’apprentissage et de la fonction de mesure d’erreur).model.fit(): lance l’apprentissage sur les données fournies.model.predict(): permet de faire une prédiction avec une nouvelle valeur.