RÉPUBLIQUE DU CAMEROUN REPUBLIC OF CAMEROON

Paix – Travaux – Patrie Peace – Work – Fatherland

********** **********
MINISTÈRE DES MINISTRY OF HIGHER EDUCATION
ENSEIGNEMENTS SUPÉRIEUR **********
********** UNIVERSITY OF MAROUA
UNIVERSITÉ DE MAROUA **********
********** NATIONAL POLYTECHNIC SCHOOL
ECOLE NATIONAL SUPÉRIEUR OF MAROUA
POLYTECHNIQUE DE MAROUA **********
********** DEPARTMENT OF COMPUTER
DÉPARTEMENT SCIENCE AND
D’INFORMATIQUE ET TELECOMMUNICATIONS
TELECOMMUNICATIONS **********
**********

UE : BASES DE L’INTELLIGENCE ARTIFICIELLE

TRAVAUX PRATIQUES NO- : 4

19.25 - 3
THÈME : INITIATION AUX NEURAL
NETWORKS

= 16.25 GROUPE N °- 8 :

N°- NOMS ET PRENOMS MATRICULES

1 ANYAM KIAM URICHE FRANK 17Y151P
2 KANNE TAMIBE KOCHIAKE 20C0518EP
3 NGALIMA ZANG SUZANNE INGRID 20C0529EP
4 NGUEDA NGUINTO PATRICK 20C0530EP
5 SENBAI KORNDO BENJAMIN 20C0534EP

Enseignant :

M. NOUNAMO Patrick / Ing FOKA

ANNÉE ACADÉMIQUE 2021/2022

 TABLES DE MATIERES

TABLES DE MATIERES .................................................................................................................... 1

LISTE DES FIGURES......................................................................................................................... 1
INTRODUCTION ............................................................................................................................... 2
A. TRAVAIL A REALISER ........................................................................................................... 3
I. DECOUVERTE DE L’OUTIL ..................................................................................................... 3
II. MANIPULATION .................................................................................................................... 3
B. TRAVAIL A FAIRE................................................................................................................... 4
CONCLUSION .................................................................................................................................... 7
REFERENCES..................................................................................................................................... 8

LISTE DES FIGURES

Figure 1: choix du jeu de données ....................................................................................................... 3

Figure 2: premier test sur TensorFlow Playground. ............................................................................. 4
Figure 3: Jeu de données en spirale ..................................................................................................... 5
Figure 4: Jeu de données en Gaussien ................................................................................................. 6

Page 1 sur 8
 INTRODUCTION

Selon Wikipédia, le deep Learning ou L'apprentissage profond est un ensemble de méthodes

d'apprentissage automatique tentant de modéliser avec un haut niveau d’abstraction des données grâce
à des architectures articulées de différentes transformations non linéaire. Ces systèmes attirent
actuellement un énorme intérêt, car ils constituent un succès continu dans les applications pratiques
Quand on se lance dans le Deep Learning, on est forcément confronté à une difficulté de
compréhension par rapport au concept même de réseau de neurones mais aussi par rapport à son
paramétrage. Difficile en effet de bien appréhender chaque levier d’ajustement d’un tel mécanisme
qui parait si abstrait ! Dans ce travail nous allons utiliser Tensorflow Playground qui es un site web,
développé par Google, qui permet de construire, d’apprendre et de tester des réseaux de neurones
basiques.

Bonne maîtrise de votre travail vous pourrez

approfondir cela en utilisant les outils de google je
vous le recommande

https://www.tensorflow.org/resources/models-datas
ets?hl=fr

https://www.tensorflow.org/lite/microcontrollers

Page 2 sur 8
 A. TRAVAIL A REALISER

I. DECOUVERTE DE L’OUTIL

TensorNow Playground est un outil qui permet de comprendre comment marche le Deep Learning
sans coder et sans te prendre la tête avec la théorie. En effet cet outil te permet de facilement manipuler
des réseaux de neurones et de visualiser son évolution en temps réel, sans avoir à taper une seule ligne
de code
1. Il est question pour nous ici de se rendre sur https://playground.tensorflow.org pour
comprendre ce que l’interface permet de faire et de pouvoir manipuler des réseaux de
neurones simples de manière graphique, sans toutefois écrire une seule ligne de code.
2. Quel type de réseaux de neurones cet outil permet -il de manipuler ?
Cet outil permet de manipuler les perceptrons multicouches
3. Repérez ou sont les hyperparamètres que nous avons vu en cours : nombre de couches,
Nombre de neurones par couche, fonction d’activation, type de problème à traiter ?
Il est vrai que l’interface de notre site de travail présente certains hyperparamètres dis
<<cachés >>, qui dans cette section ne nous serons pas utiles, nous présentons ci-dessous les
hyperparamètres par défaut :
 Le nombre de couche : deux couches ;
 Le nombres de neurone par couche : ici la couche numéro un (1) présente quatre (4)
neurones et la couche numéro deux, deux neurones ;
 La fonction d’activation : Tanh (qui représente la fonction tangente hyperbolique) ;
 Type de problème à traiter : c’est un problème de classification.

II. MANIPULATION

Choisir un jeu de données au hasard parmi ceux proposes.

Figure 1: choix du jeu de données

Page 3 sur 8
 1. En mode classification (par défaut, en haut à droite), comment sont représentées les classes
dans les données d’entrée ? dans les données de sortie ? Dans quel espace d’entrée l’outil
permet -il de se placer ?
Les casses de données d’entrée (X1, X2...) sont représentées par des points bleu (classé +1)
et les points orange (classé -1).
Les donnes de sorties sont représentées par des zones nuancées entre le bleu et l’orange : Le
graphique de sortie montre le résultat du réseau de neurones.
2. Que se passe t’il quand on clique sur Play en haut à gauche ? Que visualise-t-on sur la
Courbe en haut à droite ?
Lorsque l'utilisateur appuie sur le bouton "Play", le réseau commence à s'entraîner.
À droite, on observe une visualisation de la sortie du réseau qui affiche un carré avec une carte
thermique montrant la valeur de sortie de l'unité individuelle qui constitue la dernière couche du
réseau
3. Lancer Play sur le problème par défaut et attendre quelques instants.

Figure 2: premier test sur TensorFlow Playground.

Les résultats vous Semblent t’ils satisfaisants ? Que visualise t’on en survolant les neurones ?
Oui, car nous visualisons les données de sortie du réseau
Quand on survole sur les neurones, les données de sortie changent en fonction des données d’entrée
de chaque neurone

B. TRAVAIL A FAIRE
1. Choisir le jeu de données en spirale, et essayez d’obtenir les meilleurs résultats possibles en
Jouant sur la différents hyperparamètres.

Page 4 sur 8
 Figure 3: Jeu de données en spirale
Notre réseau pour ce jeu de données en spirale est constitué de six couches, dont nous avons
respectivement : 4, 5, 4, 8, 2, 4 pour la couche 1, 2, 3, 4,5, 6. le type de problème choisi ici est la
classification, et la fonction d’activation est Tanh. Et qui i prend toute les Features, sauf sin(X1)
(comme le montre la figure 3)

2. Vos rapports avec d’autres jeu de données

Sur cette question, nous avons choir un jeu de données en Cercle
Nous allons nous lancer dans quelques essais maintenant. En faisant plusieurs essais et en changeant
de paramètre par paramètre pour voir son impact. Nous voyons que l’apprentissage et vraiment que
l’apprentissage s’effectue effectivement avoir cliquer sur « Play » et patienter quelque instants (voir
figure 4).

Nous remarquons aussi l’évolution des poids sur les couches de gauche par rapport à celles de droite,
l’apprentissage est vraiment beaucoup plus long. Il sera même sans doute très instable dans la mesure
où parfois il aura stagnation (plateaux) puis reprise, etc. Si vous avez mis plus de 3 couches cachées

Page 5 sur 8
Figure 4: Jeu de données en Cercle

Page 6 sur 8
 CONCLUSION

Le terrain de jeu TensorFlow illustre une manipulation directe, approche pour comprendre les
réseaux de neurones. Compte tenu de l'importance de l'intuition et de l'expérimentation dans le
domaine de la l'apprentissage, la visualisation est conçue pour faciliter, avoir une idée pratique du
fonctionnement de ces systèmes sans aucun codage. Ainsi cet outil est avant tout un outil ludique
mais qui permet vraiment de palper l’importance des grands leviers de réglages d’un réseau de
neurones. Donc nécessaire et utile de le recommander aux personnes souhaitant se lancer dans cette
aventure du Deep Learning afin qu’ils puissent tester et ‘’jouer’’ avec ce simulateur.

Page 7 sur 8
 REFERENCES

1. https://playground.tensorflow.org/
2. «Wikipedia,» [En ligne]. Available: http://www.wikipedia.fr.
3. https://apprendre-le-deep-learning.com/tensorflow-playground-deep-learning-sans-coder/

Page 8 sur 8