Vision par ordinateur : préparation des données

02-intro_rna/02-keras-classificateur_img.py

@@ -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

02-intro_rna/03-keras-tf_playground-cercle.py

@@ -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

02-intro_rna/04-keras-tf_playground-xor.py

@@ -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

02-intro_rna/05-keras-tf_playground-gauss.py

@@ -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
 

02-intro_rna/06-keras-tf_playground-spiral.py

@@ -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

02-intro_rna/07-keras-regression.py

@@ -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