Réseau de neurone : définition, fonctionnement et types

Sommaire

1. Réseau de neurones : de quoi il s’agit et à quoi il sert
2. Comment un neurone artificiel calcule sa réponse
3. Architecture : couches d’entrée, cachées et de sortie
4. Les principaux types de réseaux de neurones
5. Comment un réseau apprend : erreur et rétropropagation
6. Mettre en pratique un réseau avec Python et Keras
7. Où trouver cours et exercices en français
8. Foire aux questions

Les réseaux de neurones sont déjà partout : ils trient vos courriels et reconnaissent un visage sur une photo.

Pourtant, on ne sait pas par où commencer pour comprendre ce qui se cache derrière ce nom. Cet article vous explique simplement ce qu’est un réseau de neurones, comment il fonctionne et quels sont ses principaux types.

Réseau de neurones : de quoi il s’agit et à quoi il sert

Un réseau de neurones artificiel est un ensemble de neurones reliés entre eux. Le nom fait peur, mais l’idée reste simple.

Il sert à reconnaître le contenu d’une image, ou à traiter du texte et des mots. Par exemple, il repère un chat sur une photo.

Un réseau de neurones est une méthode d’apprentissage automatique : la machine apprend à partir d’exemples. Le deep learning utilise des réseaux à plusieurs couches.

Pour trier vos courriels, il apprend les caractéristiques d’un spam et calcule une probabilité pour chaque message. Commencez par un cours de base, c’est le plus sûr.

Comment un neurone artificiel calcule sa réponse

Entrées, poids et biais

Chaque entrée arrive avec un poids qui règle son influence. Plus le poids est grand, plus le signal passe. Le biais est une valeur ajoutée à la somme avant le calcul de la sortie, et il décale le résultat.

Pourquoi s’y intéresser ? Parce que l’apprentissage consiste justement à ajuster ces poids.

Prenons un neurone à deux entrées et suivons le calcul pas à pas :

• Entrée 1 : (x_1 = 1) est multipliée par son poids (w_1 = 0{,}5), ce qui donne (0{,}5).
• Entrée 2 : (x_2 = 2) est multipliée par son poids (w_2 = 1), ce qui donne (2).
• Somme et biais : (0{,}5 + 2 = 2{,}5), puis on ajoute le biais (b = -1), ce qui donne (z = 1{,}5).

Fonction d’activation et non-linéarité

Le neurone ne s’arrête pas à z. Une fonction d’activation transforme cette somme en sortie, et c’est elle qui permet de suivre des relations courbes.

ReLU met à 0 les valeurs négatives et garde les autres. La sigmoïde range les valeurs entre 0 et 1, tanh entre -1 et 1. Pour une couche cachée, prenez ReLU : c’est le choix le plus courant.

Architecture : couches d’entrée, cachées et de sortie

La couche d’entrée reçoit les données, les couches cachées les transforment et la couche de sortie produit la prédiction. Chaque couche passe son résultat à la suivante.

Pas de panique devant « cachée » : c’est juste une couche du milieu. Un schéma montre trois neurones en entrée, quatre au milieu et un en sortie, mais ce n’est qu’un exemple.

La sortie dépend de la tâche. En régression, elle est un nombre, comme une prévision de température. En classification, elle donne une probabilité pour chaque classe : chat, chien ou oiseau.

Avant de construire le réseau, dites-vous quelle réponse vous attendez. Mettez la question d’abord, le réseau ensuite : c’est la règle la plus utile.

Les principaux types de réseaux de neurones

Perceptron multicouche et réseaux convolutifs

Vos données sont dans un tableau, avec une ligne par client ou par mesure ? Prenez un perceptron multicouche. Il empile des couches de neurones et peut classer ces lignes.

Pour une photo, prenez un CNN. Ses filtres passent sur l’image et repèrent des bords ou des formes. Il sert aussi aux images médicales. Attention : mettre un tableau de chiffres dans un CNN, c’est se tromper d’outil.

Réseaux récurrents et transformers

Vos données se suivent, comme une phrase ou des sons ? Le tableau montre quel modèle leur correspond.

Autoencodeurs et GAN

Un autoencodeur compresse les données. Il réduit une entrée à une version plus petite, puis tente de la reconstruire. C’est utile pour alléger un fichier sans perdre l’essentiel.

Un GAN, ou réseau antagoniste génératif, fabrique du contenu artificiel. Deux réseaux s’affrontent : l’un crée, l’autre tente de reconnaître le faux. Chacun apprend de ses erreurs. Pour un premier essai, prenez l’autoencodeur : il est plus simple à entraîner.

Comment un réseau apprend : erreur et rétropropagation

Pour savoir si le réseau se trompe, on utilise une fonction de perte. Elle mesure l’écart entre sa réponse et la réponse attendue.

Si la valeur attendue est (1) et la prédiction (0{,}8), l’erreur absolue vaut (0{,}2). L’entraînement cherche à réduire cette valeur. Si elle stagne, changez le réglage plutôt que d’attendre.

Chaque tour d’entraînement suit ces étapes :

• La rétropropagation remonte de la sortie vers les couches précédentes pour estimer la part de chaque poids dans l’erreur.
• La descente de gradient ajuste les poids pour faire baisser la perte, un petit pas après l’autre.
• Une époque correspond à un passage sur toutes les données. Il en faut souvent plusieurs.

Mettre en pratique un réseau avec Python et Keras

Créer et configurer le modèle

Keras empile les couches dans un modèle Sequential, l’une après l’autre. Chaque couche Dense relie ses neurones à toutes les valeurs de la couche précédente.

MNIST, c’est un jeu d’images de chiffres écrits à la main. Chaque image devient 784 valeurs, et le modèle choisit parmi dix chiffres. Commencez par cet exemple : c’est le plus simple à lancer.

Pour lancer un entraînement, installez d’abord TensorFlow, puis réglez le modèle. Voici comment faire :

• Ouvrez un terminal et lancez python -m pip install tensorflow.
• Vérifiez votre version de Python : TensorFlow 2.21.0 accepte les versions 3.10 à 3.13.
• Dans compile, réglez l’optimiseur, la fonction de perte et les mesures suivies pendant l’entraînement.

Entraîner et tester le réseau

Une fois compile réglé, fit lance l’entraînement avec trois éléments :

• epochs fixe le nombre de passages sur toutes les données, donc le réseau revoit chaque exemple plusieurs fois.
• batch_size fixe le nombre d’exemples traités avant chaque mise à jour du réseau.
• accuracy mesure la part des prédictions correctes. Plus elle monte, moins le modèle se trompe.

Où trouver cours et exercices en français

Une page pédagogique gratuite en français vaut le détour. Elle propose un cours en PDF, des démonstrations et des notebooks Keras sur les réseaux de neurones.

Elle ajoute des travaux pratiques : un énoncé, puis un corrigé en notebook et en HTML. Commencez par l’énoncé, et ne regardez le corrigé qu’après avoir cherché.

Selon votre niveau, trois supports vous aideront à avancer :

• Le cours PDF sur les réseaux à convolution vous explique les CNN avant que vous ne codiez.
• Le cours sur TensorFlow et Keras contient des exercices sur les réseaux classiques, les CNN, l’entraînement, la validation et le test.
• L’exercice de reconnaissance des chiffres vous demande de créer un CNN qui atteint au moins 99 % de précision.

Un réseau de neurones relie des neurones entre eux et apprend en ajustant ses poids. Retenez surtout ceci : tout part de la question que vous voulez poser à vos données.

Votre prochain pas ? Ouvrez un cours de base, puis lancez l’exercice des chiffres écrits à la main. Vous verrez le réseau apprendre. Pas besoin d’être expert pour commencer.

Foire aux questions

Quels sont les différents types de réseaux neuronaux ?

Il existe quatre types principaux : les réseaux récurrents, pour les séquences, les autoencodeurs, pour représenter des données, les transformers, qui utilisent l’attention, et les GAN, où un réseau crée et un autre détecte.

Retenez-les par leur usage, c’est le plus parlant.

Quelle est la différence entre l’apprentissage automatique et l’apprentissage profond ?

L’apprentissage profond est une partie de l’apprentissage automatique : il entraîne des réseaux de neurones à plusieurs couches. L’apprentissage automatique, lui, regroupe plusieurs méthodes. Donc, quand on parle de profond, on parle d’une seule famille de méthodes.

Qu’est-ce que le surajustement dans un réseau de neurones ?

Le surajustement arrive quand le réseau colle trop aux exemples d’entraînement. Il les réussit presque tous, mais se trompe sur des données nouvelles.

C’est le piège le plus courant. Pour le repérer, gardez des données de côté pour tester le réseau.