Modèle personnalisé en utilisant une classe Python

Étape 1 : Importer les bibliothèques nécessaires

Tout d’abord, assurez-vous d’importer les bibliothèques nécessaires.

import tensorflow as tf
from tensorflow.keras import layers

Étape 2 : Définir la classe du modèle

Ensuite, vous devez définir une classe qui hérite de tf.keras.Model. Cette classe doit inclure une méthode __init__ pour initialiser les couches du modèle et une méthode call pour définir le flux de données à travers le modèle.

class MyModel(tf.keras.Model):
    def __init__(self):
        super(MyModel, self).__init__()
        self.dense1 = layers.Dense(64, activation='relu')
        self.dense2 = layers.Dense(64, activation='relu')
        self.dense3 = layers.Dense(10)

    def call(self, inputs):
        x = self.dense1(inputs)
        x = self.dense2(x)
        return self.dense3(x)

Étape 3 : Instancier et compiler le modèle

Ensuite, vous pouvez instancier votre modèle et le compiler avec une fonction de perte et un optimiseur.

model = MyModel()

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

Étape 4 : Préparer les données

Préparez vos données d’entraînement et de test. Par exemple, vous pouvez utiliser le jeu de données MNIST.

(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

Étape 5 : Entraîner le modèle

Entraînez votre modèle avec les données préparées.

model.fit(x_train, y_train, epochs=5)

Étape 6 : Évaluer le modèle

Évaluez votre modèle sur les données de test.

model.evaluate(x_test, y_test)

Code complet

Voici le code complet pour définir, compiler, entraîner et évaluer un modèle personnalisé en utilisant une classe Python qui hérite de tf.keras.Model.

import tensorflow as tf
from tensorflow.keras import layers

class MyModel(tf.keras.Model):
    def __init__(self):
        super(MyModel, self).__init__()
        self.dense1 = layers.Dense(64, activation='relu')
        self.dense2 = layers.Dense(64, activation='relu')
        self.dense3 = layers.Dense(10)

    def call(self, inputs):
        x = self.dense1(inputs)
        x = self.dense2(x)
        return self.dense3(x)

# Instancier le modèle
model = MyModel()

# Compiler le modèle
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# Préparer les données
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# Entraîner le modèle
model.fit(x_train, y_train, epochs=5)

# Évaluer le modèle
model.evaluate(x_test, y_test)

Ce tutoriel vous montre comment définir un modèle personnalisé en utilisant une classe Python qui hérite de tf.keras.Model, comment compiler, entraîner et évaluer ce modèle. Vous pouvez adapter ce code pour d’autres types de modèles et de jeux de données selon vos besoins.