Vision par ordinateur : préparation des données
This commit is contained in:
parent
f46dfc3980
commit
eceea6e422
|
@ -91,8 +91,8 @@ keras.backend.clear_session()
|
|||
# np.random.seed(42)
|
||||
# tf.random.set_seed(42)
|
||||
|
||||
model = keras.models.Sequential() # Modèle de reseau de neurones
|
||||
model.add(keras.layers.Flatten(input_shape=[28, 28])) # Couche d'entrée : mise à plat des données d'entrée -> 1 node / pixel soit 784 (28x28)
|
||||
model = keras.models.Sequential() # Modèle de réseau de neurones
|
||||
model.add(keras.layers.Flatten(input_shape=[28, 28])) # Couche de mise à plat des données -> 1 node / pixel soit 784 (28x28)
|
||||
model.add(keras.layers.Dense(300, activation="relu")) # Couche 1 : 300 nodes
|
||||
# model.add(keras.layers.Dense(300, activation="relu")) # Couche 2 : 300 nodes -> passage de 100 à 300
|
||||
# model.add(keras.layers.Dense(300, activation="relu")) # Couche 3 : 300 nodes -> ajout
|
||||
|
|
|
@ -134,7 +134,7 @@ perte="mse" # Type de perte (hyperparamètre)
|
|||
# perte='mean_absolute_error'
|
||||
|
||||
keras.backend.clear_session()
|
||||
model = keras.models.Sequential() # Modèle de reseau de neurones
|
||||
model = keras.models.Sequential() # Modèle de réseau de neurones
|
||||
model.add(keras.layers.Dense(4, input_dim=2, activation="relu")) # Couche 1 : 4 nodes
|
||||
model.add(keras.layers.Dense(4, activation="relu")) # Couche 2 : 4 nodes
|
||||
model.add(keras.layers.Dense(1, activation="sigmoid")) # Couche de sortie : 1 node par classe
|
||||
|
|
|
@ -128,7 +128,7 @@ perte="mse" # Type de perte (hyperparamètre)
|
|||
# perte='mean_absolute_error'
|
||||
|
||||
keras.backend.clear_session()
|
||||
model = keras.models.Sequential() # Modèle de reseau de neurones
|
||||
model = keras.models.Sequential() # Modèle de réseau de neurones
|
||||
model.add(keras.layers.Dense(4, input_dim=2, activation="relu")) # Couche 1 : 4 nodes
|
||||
model.add(keras.layers.Dense(4, activation="relu")) # Couche 2 : 4 nodes
|
||||
model.add(keras.layers.Dense(1, activation="sigmoid")) # Couche de sortie : 1 node par classe
|
||||
|
|
|
@ -134,7 +134,7 @@ perte="mse" # Type de perte (hyperparamètre)
|
|||
# perte='mean_absolute_error'
|
||||
|
||||
keras.backend.clear_session()
|
||||
model = keras.models.Sequential() # Modèle de reseau de neurones
|
||||
model = keras.models.Sequential() # Modèle de réseau de neurones
|
||||
model.add(keras.layers.Dense(2, input_dim=2, activation="relu")) # Couche 1 : 2 nodes
|
||||
model.add(keras.layers.Dense(1, activation="sigmoid")) # Couche de sortie : 1 node par classe
|
||||
|
||||
|
|
|
@ -139,7 +139,7 @@ perte="mse" # Type de perte (hyperparamètre)
|
|||
# perte='mean_absolute_error'
|
||||
|
||||
keras.backend.clear_session()
|
||||
model = keras.models.Sequential() # Modèle de reseau de neurones
|
||||
model = keras.models.Sequential() # Modèle de réseau de neurones
|
||||
model.add(keras.layers.Dense(20, input_dim=2, activation="relu")) # Couche 1 : 10 nodes
|
||||
model.add(keras.layers.Dense(20, activation="relu")) # Couche 2 : 10 nodes
|
||||
model.add(keras.layers.Dense(20, activation="relu")) # Couche 3 : 10 nodes
|
||||
|
|
|
@ -114,7 +114,7 @@ perte="mse" # Type de perte (hyperparamètre)
|
|||
keras.backend.clear_session()
|
||||
# np.random.seed(42)
|
||||
# tf.random.set_seed(42)
|
||||
model = keras.models.Sequential() # Modèle de reseau de neurones
|
||||
model = keras.models.Sequential() # Modèle de réseau de neurones
|
||||
model.add(keras.layers.Dense(30, input_shape=X_train.shape[1:], activation="relu")) # Couche 1 : 30 nodes
|
||||
model.add(keras.layers.Dense(1)) # Couche de sortie : 1 node par classe
|
||||
|
||||
|
|
Binary file not shown.
After Width: | Height: | Size: 568 KiB |
Loading…
Reference in New Issue