Skip to content
IgnitionAI IgnitionAI

Modèles multi-sorties

Introduction

Dans de nombreux problèmes de machine learning, il est nécessaire de prédire plusieurs sorties à partir d’une seule entrée. Par exemple, dans un problème de classification multi-étiquette, on peut vouloir prédire plusieurs étiquettes pour une seule image. Dans un problème de régression multi-variable, on peut vouloir prédire plusieurs valeurs continues pour une seule entrée. Les modèles multi-sorties sont conçus pour résoudre ce type de problèmes.

Architecture d’un modèle multi-sorties

Un modèle multi-sorties est composé de plusieurs sorties, chacune correspondant à une tâche spécifique. Chaque sortie est associée à une fonction de perte et à une métrique d’évaluation spécifique. L’architecture d’un modèle multi-sorties peut varier en fonction du problème à résoudre, mais elle est généralement composée des éléments suivants :

  • Un réseau neuronal partagé : c’est le réseau neuronal qui traite les entrées et produit des représentations intermédiaires.
  • Des têtes de sortie : ce sont des réseaux neuronaux spécialisés qui prennent les représentations intermédiaires en entrée et produisent les sorties finales.
  • Des fonctions de perte : chaque sortie est associée à une fonction de perte qui mesure la différence entre la sortie prédite et la sortie réelle.
  • Des métriques d’évaluation : chaque sortie est associée à une métrique d’évaluation qui évalue la qualité de la prédiction.

Types de modèles multi-sorties

Il existe plusieurs types de modèles multi-sorties, notamment :

  • Modèle multi-sorties partagé : dans ce type de modèle, le réseau neuronal partagé est suivi d’un seul réseau neuronal qui produit toutes les sorties.
  • Modèle multi-sorties non partagé : dans ce type de modèle, chaque sortie est associée à un réseau neuronal spécialisé qui prend les entrées en compte.
  • Modèle multi-sorties hiérarchique : dans ce type de modèle, les sorties sont organisées hiérarchiquement, avec des sorties de niveau supérieur qui dépendent des sorties de niveau inférieur.

Implémentation avec TensorFlow

TensorFlow propose plusieurs outils pour implémenter des modèles multi-sorties, notamment :

  • La classe tf.keras.Model : cette classe permet de définir un modèle multi-sorties en spécifiant les entrées, les sorties et les fonctions de perte.
  • La classe tf.keras.layers.MultiOutput : cette classe permet de définir un réseau neuronal qui produit plusieurs sorties.
  • La fonction tf.keras.losses : cette fonction permet de définir les fonctions de perte pour chaque sortie.

Exemple de code :

import tensorflow as tf


# Définition du modèle multi-sorties
inputs = tf.keras.Input(shape=(784,))
x = tf.keras.layers.Dense(64, activation='relu')(inputs)
x = tf.keras.layers.Dense(64, activation='relu')(x)


# Définition des sorties
output1 = tf.keras.layers.Dense(10, activation='softmax')(x)
output2 = tf.keras.layers.Dense(1, activation='sigmoid')(x)


# Définition du modèle
model = tf.keras.Model(inputs=inputs, outputs=[output1, output2])


# Compilation du modèle
model.compile(optimizer='adam',
              loss=['categorical_crossentropy', 'binary_crossentropy'],
              metrics=['accuracy'])


# Entraînement du modèle
model.fit(X_train, [y_train1, y_train2], epochs=10)

Dans cet exemple, nous définissons un modèle multi-sorties qui prend en entrée des images de taille 784 et produit deux sorties : une sortie de classification multi-étiquette avec 10 classes et une sortie de régression binaire. Le modèle est compilé avec la fonction de perte categorical_crossentropy pour la première sortie et binary_crossentropy pour la deuxième sortie. Les métriques d’évaluation sont la précision pour la première sortie et l’erreur quadratique moyenne pour la deuxième sortie.

Conclusion

Les modèles multi-sorties sont des outils puissants pour résoudre des problèmes de machine learning complexes. TensorFlow propose plusieurs outils pour implémenter ces modèles, notamment la classe tf.keras.Model et la fonction tf.keras.losses. En suivant les étapes décrites dans cette documentation, vous pouvez créer vos propres modèles multi-sorties pour résoudre vos problèmes de machine learning.