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 :

    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.