Couches récurrentes (LSTM)

Fonctions :

• LSTM()

  LSTM (Long Short-Term Memory) est une couche de réseau de neurones récurrent avancée conçue pour mieux capturer les dépendances à long terme dans les données séquentielles. Elle utilise des portes (input, forget, output) pour contrôler le flux d'information et limiter le problème du gradient qui disparaît, ce qui la rend particulièrement efficace pour les séries temporelles, le traitement du langage naturel et d’autres séquences.

  Importation :

  from tensorflow.keras.models import Sequential
  from tensorflow.keras.layers import LSTM, Dense
  import numpy as np

  Attributs :

  Paramètre	Type	Description	Valeur par défaut
  units	int	Nombre de neurones dans la couche LSTM, définissant la taille de la sortie.	—
  activation	str / callable	Fonction d'activation pour la cellule, généralement 'tanh'.	'tanh'
  recurrent_activation	str / callable	Fonction d'activation pour les portes récurrentes, généralement 'sigmoid'.	'sigmoid'
  return_sequences	bool	Si True, retourne la sortie à chaque pas de temps (séquence complète).	False
  return_state	bool	Si True, retourne également les états cachés et de la cellule.	False
  go_backwards	bool	Si True, traite la séquence en ordre inverse.	False
  stateful	bool	Si True, conserve l’état entre les lots d’entraînement.	False

  Exemple de code :

  📋 Copy

  from tensorflow.keras.models import Sequential
  from tensorflow.keras.layers import LSTM, Dense
  import numpy as np
  
  # Données simulées : 50 séquences, chaque séquence de longueur 20, avec 5 features par pas de temps
  X = np.random.rand(50, 20, 5)
  y = np.random.randint(0, 3, size=(50, 1))
  
  # Modèle simple avec LSTM
  model = Sequential()
  model.add(LSTM(32, activation='tanh', input_shape=(20, 5)))
  model.add(Dense(3, activation='softmax'))
  
  model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
  model.summary()

  

  Explication du code :

  Importation des bibliothèques

  On importe les couches `LSTM` et `Dense` ainsi que `Sequential` de Keras pour construire le modèle.

  Création des données

  Les données simulées représentent 50 séquences. Chaque séquence contient 20 pas de temps, et chaque pas possède 5 caractéristiques.

  Définition du modèle

  La couche `LSTM` contient 32 neurones et traite les séquences d’entrée. La couche dense finale à 3 neurones avec activation softmax sert à la classification multi-classes.

  Compilation

  Le modèle est compilé avec la fonction de perte catégorielle creuse (`sparse_categorical_crossentropy`) et l’optimiseur Adam.