Couches récurrentes (SimpleRNN)

Fonctions :

• SimpleRNN()

  SimpleRNN est une couche de réseau de neurones récurrent (RNN) basique qui traite des séquences de données en tenant compte de la dépendance temporelle. Elle possède un état caché mis à jour à chaque pas temporel, ce qui lui permet de mémoriser une partie de l'information des séquences précédentes. Elle est souvent utilisée pour des tâches de traitement de séries temporelles, texte ou séquences.

  Importation :

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

  Attributs :

  Paramètre	Type	Description	Valeur par défaut
  units	int	Nombre de neurones dans la couche RNN, définissant la taille de la sortie.	—
  activation	str / callable	Fonction d'activation utilisée dans la couche.	'tanh'
  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 final en plus de la sortie.	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 SimpleRNN, Dense
  import numpy as np
  
  # Données simulées : 100 séquences, chaque séquence de longueur 10, avec 8 features par pas de temps
  X = np.random.rand(100, 10, 8)
  y = np.random.randint(0, 2, size=(100, 1))
  
  # Modèle simple avec SimpleRNN
  model = Sequential()
  model.add(SimpleRNN(16, activation='relu', input_shape=(10, 8)))
  model.add(Dense(1, activation='sigmoid'))
  
  model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
  model.summary()

  

  Explication du code :

  Importation des bibliothèques

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

  Création des données

  Les données simulées représentent 100 séquences. Chaque séquence contient 10 pas de temps, et chaque pas possède 8 caractéristiques.

  Définition du modèle

  La couche `SimpleRNN` contient 16 neurones et traite les séquences d’entrée. La couche dense finale à un neurone avec activation sigmoïde sert à la classification binaire.

  Compilation

  Le modèle est compilé avec la fonction de perte binaire et l’optimiseur Adam pour une tâche de classification binaire.