Modèles multi-sorties

L’API Functional de Keras permet de créer des modèles complexes avec plusieurs sorties. Cela est particulièrement utile pour les tâches de multi-tâches où le modèle doit produire plusieurs prédictions simultanément. Voici comment vous pouvez utiliser l’API Functional pour créer un modèle qui produit plusieurs sorties.

Étape 1 : Importer les modules nécessaires

Commencez par importer les modules nécessaires de TensorFlow et Keras.

import tensorflow as tf
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Input, Dense

Étape 2 : Définir les entrées

Utilisez la classe Input pour définir les entrées du modèle. Vous pouvez spécifier la forme des données d’entrée.

# Définir une entrée de forme (32,)
input_layer = Input(shape=(32,))

Étape 3 : Définir les couches partagées

Ajoutez des couches partagées qui seront utilisées pour produire les différentes sorties.

# Ajouter une couche dense avec 64 unités et activation ReLU
x = Dense(units=64, activation='relu')(input_layer)

# Ajouter une autre couche dense avec 64 unités et activation ReLU
x = Dense(units=64, activation='relu')(x)

Étape 4 : Définir les sorties

Ajoutez des couches de sortie pour chaque tâche. Chaque sortie peut avoir sa propre architecture.

# Ajouter une couche de sortie pour la première tâche
output_1 = Dense(units=1, activation='sigmoid', name='output_1')(x)

# Ajouter une couche de sortie pour la deuxième tâche
output_2 = Dense(units=1, activation='sigmoid', name='output_2')(x)

Étape 5 : Définir le modèle

Utilisez la classe Model pour créer le modèle en spécifiant les entrées et les sorties.

# Créer le modèle
model = Model(inputs=input_layer, outputs=[output_1, output_2])

Étape 6 : Compiler le modèle

Compilez le modèle en spécifiant l’optimiseur, les fonctions de perte pour chaque sortie, et les métriques.

# Compiler le modèle
model.compile(optimizer='adam',
              loss={'output_1': 'binary_crossentropy', 'output_2': 'binary_crossentropy'},
              metrics=['accuracy'])

Étape 7 : Afficher le résumé du modèle

Affichez un résumé de l’architecture du modèle pour vérifier sa structure.

# Résumé du modèle
model.summary()

Exemple complet

Voici un exemple complet de la création d’un modèle qui produit plusieurs sorties en utilisant l’API Functional :

import tensorflow as tf
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Input, Dense

# Définir l'entrée
input_layer = Input(shape=(32,))

# Définir les couches partagées
x = Dense(units=64, activation='relu')(input_layer)
x = Dense(units=64, activation='relu')(x)

# Définir les sorties
output_1 = Dense(units=1, activation='sigmoid', name='output_1')(x)
output_2 = Dense(units=1, activation='sigmoid', name='output_2')(x)

# Créer le modèle
model = Model(inputs=input_layer, outputs=[output_1, output_2])

# Compiler le modèle
model.compile(optimizer='adam',
              loss={'output_1': 'binary_crossentropy', 'output_2': 'binary_crossentropy'},
              metrics=['accuracy'])

# Résumé du modèle
model.summary()

Explication détaillée

1. Importer les modules nécessaires :
   • Importez les modules nécessaires de TensorFlow et Keras.
2. Définir les entrées :
   • Utilisez la classe Input pour définir la forme des données d’entrée. Dans cet exemple, l’entrée a une forme de (32,).
3. Définir les couches partagées :
   • Ajoutez des couches partagées qui seront utilisées pour produire les différentes sorties. Dans cet exemple, deux couches denses avec 64 unités et activation ReLU sont ajoutées.
4. Définir les sorties :
   • Ajoutez des couches de sortie pour chaque tâche. Chaque sortie peut avoir sa propre architecture. Dans cet exemple, deux couches de sortie avec 1 unité et activation sigmoid sont ajoutées.
5. Définir le modèle :
   • Utilisez la classe Model pour créer le modèle en spécifiant les entrées et les sorties.
6. Compiler le modèle :
   • Compilez le modèle avec l’optimiseur Adam, les fonctions de perte binary_crossentropy pour chaque sortie, et les métriques d’exactitude.
7. Afficher le résumé du modèle :
   • Utilisez la méthode summary pour afficher un résumé de l’architecture du modèle.

En utilisant l’API Functional, vous pouvez créer des modèles complexes avec plusieurs sorties, adaptés à des tâches de multi-tâches et à des architectures avancées.