Blog ENI : Toute la veille numérique !
Accès illimité 24h/24 à tous nos livres & vidéos ! 
Découvrez la Bibliothèque Numérique ENI. Cliquez ici
Accès illimité 24h/24 à tous nos livres & vidéos ! 
Découvrez la Bibliothèque Numérique ENI. Cliquez ici
  1. Livres et vidéos
  2. TensorFlow et Keras
  3. Introduction à TensorFlow et Keras
Extrait - TensorFlow et Keras L'intelligence artificielle appliquée à la robotique humanoïde
Extraits du livre
TensorFlow et Keras L'intelligence artificielle appliquée à la robotique humanoïde Revenir à la page d'achat du livre

Introduction à TensorFlow et Keras

Présentation générale de TensorFlow

1. Le produit

TensorFlow est un framework open source permettant l’agencement d’un flot de tâches de différentes natures, en particulier sur des structures de données tabulaires pouvant comporter de nombreuses dimensions s’apparentant à ce que les mathématiciens nomment tenseurs. Les tenseurs les plus connus par les étudiants sont les matrices qui comportent deux dimensions, mais nous aborderons également des structures beaucoup plus riches dans cet ouvrage.

Il peut être très opportun d’utiliser TensorFlow dans d’autres contextes que le seul machine learning, en effet ses capacités de calculs de dérivées et de recherche d’optimum, comme ses performances vis-à-vis de la manipulation de grands tenseurs, en font un outil très versatile.

Le produit comporte une librairie mathématique symbolique relativement aboutie qui permet, entre autres, de traiter les applications de machine learning, c’est-à-dire d’apprentissage par la machine, qui sont au centre des pratiques de data science et d’intelligence artificielle actuelles.

Les principales fonctions de l’API "end user" du produit (c’est-à-dire Keras), comme le produit lui-même, sont conçues dans l’optique de faciliter la mise en œuvre des modèles de réseaux neuronaux.

L’équipe Google Brain Team développe principalement en C/C++, mais le framework se manipule principalement en Python (également en R ou en JavaScript pour certains usages ou encore dans d’autres langages comme Go).

Le produit peut s’exécuter dans des contextes techniques variés :

  • CPU,

  • GPU (cartes NVIDIA norme CUDA),

  • TPU (Tensor Processing Unit, circuit intégré développé...

Préparation de l’environnement de travail TensorFlow

Nous travaillerons avec une version 2 du framework TensorFlow. C’est une version majeure, en rupture avec les précédentes. Elle inclut une version de Keras qui propose une API simplifiée permettant l’accès à de nombreuses techniques ayant trait aux réseaux neuronaux de façon relativement intuitive.

Keras est accessible en Python comme en R.

1. Vérification de l’installation de TensorFlow

Le code suivant peut vous permettre de vérifier la bonne installation de TensorFlow et affiche la version du framework que vous utilisez. Le site de TensorFlow.org décrit les différentes méthodes d’installation. Soyez attentif à installer une version 2 du framework et choisissez un mode d’installation compatible avec vos compétences. L’installation d’une version GPU, puissante et rapide car utilisant votre éventuelle carte graphique NVIDIA est plus complexe et peu utile dans une première phase d’initiation, nous la détaillerons au chapitre Amélioration matérielle.

Le code suivant comprend également en commentaires la mécanique (triviale) d’installation de TensorFlow 2 sur CPU.

# -*- coding: utf-8 -*- 
from __future__ import absolute_import, division, print_function,  
unicode_literals 
 
#' Ce code suppose que TensorFlow 2 est installé, si ce n'est pas le cas : 
#' 
#' 1) installer python 3.x et s'assurer qu'il est dans le Path 
#' 2) installer pip s'il n'est pas installé : 
#' 
#' curl https://bootstrap.pypa.io/get-pip.py -o get-pip.py 
#' python get-pip.py 
#'  
#' 3) installer tensorFlow, matplotlib et data set d'exemple 
#' pip install tensorflow==2.0.0-alpha0 
#' pip install matplotlib 
#' pip install tensorflow-datasets 
 
 
# TensorFlow and tf.keras 
import tensorflow as tf 
 
# Vérification que l'on dispose des compagnons de Tensorflow 
import numpy as np 
import matplotlib.pyplot as plt 

Vérifions que TensorFlow est effectivement installé.

# Si tout se passe bien, il n'y pas d'erreur et vous visualisez la version 
# de TensorFlow que vous...