Couches de base (fully connected)

Fonctions :

  • Dense()

    La couche Dense est une couche de réseau de neurones entièrement connectée (fully connected layer). Chaque neurone de cette couche reçoit en entrée toutes les sorties de la couche précédente. Elle est utilisée pour apprendre des combinaisons linéaires suivies d’une fonction d’activation, souvent en fin de réseau pour la classification ou la régression.

    Importation :

    from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

    Attributs :

    Paramètre Type Description Valeur par défaut
    units int Nombre de neurones dans la couche. Obligatoire
    activation str ou callable Fonction d'activation à appliquer (ex: 'relu', 'sigmoid'). None (activation linéaire)
    use_bias bool Indique si un biais doit être ajouté. True
    kernel_initializer str ou Initializer Initialisation des poids. 'glorot_uniform'
    bias_initializer str ou Initializer Initialisation des biais. 'zeros'

    Exemple de code :

    from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

# Création d'un modèle séquentiel simple
model = Sequential()

# Ajout d'une couche Dense avec 10 neurones et activation ReLU
model.add(Dense(units=10, activation='relu', input_shape=(5,)))

# Ajout d'une couche Dense de sortie avec 1 neurone (ex: régression)
model.add(Dense(units=1))

# Résumé du modèle
model.summary()

    Explication du code :

    importe les modules nécessaires de Keras pour construire un modèle séquentiel et ajouter une couche Dense.


    Création du modèle
     `model = Sequential()` initialise un modèle séquentiel simple. 
    Ajout d'une couche Dense cachée
     `model.add(Dense(units=10, activation='relu', input_shape=(5,)))` ajoute une couche complètement connectée avec 10 neurones, fonction d’activation ReLU, et une entrée de dimension 5. 
    Ajout de la couche de sortie
     `model.add(Dense(units=1))` ajoute une couche de sortie avec 1 neurone, sans activation (linéaire), adaptée à une tâche de régression. 
    Résumé
     `model.summary()` affiche la structure et le nombre de paramètres du modèle.