Couches récurrentes (GRU)

Fonctions :

  • GRU()

    GRU (Gated Recurrent Unit) est une couche de réseau de neurones récurrent conçue pour capturer les dépendances dans les données séquentielles, similaire à LSTM mais plus simple. Elle utilise deux portes (update et reset) pour contrôler le flux d'information, ce qui réduit la complexité tout en conservant une bonne capacité à modéliser des séquences à long terme.

    Importation :

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

    Attributs :

    Paramètre Type Description Valeur par défaut
    units int Nombre de neurones dans la couche GRU, définissant la taille de la sortie. —
    activation str / callable Fonction d'activation pour la cellule, souvent '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 l'état caché final. 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 :

    from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import GRU, 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 GRU
model = Sequential()
model.add(GRU(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 `GRU`, `Dense` et `Sequential` depuis Keras pour construire le modèle. 
    Création des données
     Les données simulées consistent en 50 séquences, chaque séquence contenant 20 pas de temps avec 5 caractéristiques par pas. 
    Définition du modèle
     Une couche GRU avec 32 neurones est utilisée pour traiter les séquences. Une couche dense finale à 3 neurones avec activation softmax est ajoutée pour la classification multi-classes. 
    Compilation
     Le modèle est compilé avec la perte catégorielle creuse et l’optimiseur Adam pour l'entraînement.