République Algérienne Démocratique Et Populaire

Ministère de l’Enseignement supérieur et de la

Recherche Scientifique
Université M’Hamed Bougara Boumerdes
Faculté de Technologie
Département de Génie Mécanique
Spécialité : Electromécanique

Compte rendu.

 Réalisé par :


Promotion : 2021 /2022
Sommaire
I. Introduction......................................................................................................................1
II. Qu’est ce qu’un réseau de neurones?..............................................................................2
1. Neurone biologique vs. Neurone artificiel.................................................................2
2. Réseau de neurones d’Intelligence artificielle (IA)...................................................2
1. Les réseaux de neurones peuvent apprendre d’eux même..................................3
III. Quelles sont les principales composantes du réseau de neurones?.............................3
1. Neurones: ensemble de fonctions..............................................................................3
2. Couches: groupement de neurones............................................................................4
3. Poids et biais: valeurs numériques............................................................................4
4. Fonction d’activation: algorithmes mathématiques appliqués aux valeurs de
sortie....................................................................................................................................4
IV. Comment fonctionnent les réseaux de neurones?.......................................................5
1. Comprendre le processus...........................................................................................5
V. Qu’est-ce qu’une fonction d’activation?...........................................................................6
VI. Types de fonctions d’activation....................................................................................7
VII. Qu’est-ce que la rétro-propagation?............................................................................7
1. Rétro-propagation: aide le réseau de neurones à apprendre...................................8
VIII. Quels sont les différents types de réseaux de neurones?.............................................8
IX. Conclusion..............................................................................................................9
 I. Introduction
Réseau neuronal convolutif et Apprentissage : Les réseaux de neurones évoluent
avec un nouveau type de réseau non complètement connecté, pour alléger les
modèles en nombre de paramètres, et améliorer les performances et leur capacité
de généralisation.

Une des premières applications a été la reconnaissance automatique des codes

postaux US, avec le réseau LeNet-.

En apprentissage automatique, un réseau de neurones convolutifs ou réseau de

neurones à convolutio est un type de réseau de neurones artificiels acycliques (feed-
forward), dans lequel le motif de connexion entre les neurones est inspiré par le
cortex visuel des animaux.

Les neurones de cette région du cerveau sont arrangés de sorte qu'ils correspondent
à des régions qui se chevauchent lors du pavage du champ visuel.

Leur fonctionnement est inspiré par les processus biologiques, ils consistent en un
empilage multicouche de perceptrons, dont le but est de prétraiter de petites
quantités d'informations.

Les réseaux neuronaux convolutifs ont de larges applications dans la reconnaissance

d'image et vidéo, les systèmes de recommandation et le traitement du langage
naturel.

1
 réseau de neurones
Tout d’abord, le réseau de neurones est un concept. Ce n’est pas physique. Le
concept de réseaux de neurones artificiels (Artificiel Neural Networks ANN) a été
inspiré par les neurones biologiques. Dans un réseau de neurones biologiques,
plusieurs neurones travaillent ensemble, reçoivent des signaux d’entrée, traitent des
informations et déclenchent un signal de sortie.

1. Neurone biologique vs. Neurone artificiel

Les réseaux de neurones tirent profit des expériences passées.

2. Réseau de neurones d’Intelligence artificielle (IA)

Le réseau de neurones d’intelligence artificielle est basé sur le même modèle que le
réseau de neurones biologique.

Bien que le concept sous-jacent soit le même que celui des réseaux biologiques, le
réseau de neurones de l’IA est un groupe d’algorithmes mathématiques produisant
une donnée de sortie (output) à partir des données d’entrée (input).

2
Ces algorithmes peuvent être groupés pour produire les résultats souhaités.

Dans un réseau de neurones d’IA, plusieurs algorithmes travaillent ensemble pour

effectuer des calculs sur les données d’entrée afin de produire une donnée de sortie.
Ces données de sortie peuvent également aider le réseau de neurones à apprendre
et à améliorer leur précision.

Les réseaux de neurones sont entrainés avec une multitude de données d’entrées
couplée à leurs données de sortie respectives. Ils calculent ensuite la donnée de
sortie, ils la comparent à la donnée de sortie réelle connue et se mettent à jour en
permanence pour améliorer les résultats (si nécessaire).

1. Les réseaux de neurones peuvent apprendre d’eux même

Au cours du temps, la donnée de sortie est utilisée pour améliorer la précision du
modèle de notre réseau de neurones. Les réseaux de neurones peuvent aider les
machines à identifier des modèles, des images et des données de séries
chronologiques prévisionnelles.

Les informations textuelles sont généralement codées en nombres (binaires) et

chaque bit est transmis à un seul neurone.

les principales composantes du réseau de neurones

Le réseau de neurones est composé des composants principaux suivants:

1. Neurones: ensemble de fonctions

Ils prennent une donnée d’entrée et produisent une donnée de sortie. Un certain
nombre de neurones sont groupés en couches (ou layers). Tous les neurones du
même groupe remplissent un type de fonction similaire.

Les neurones d’entrée reçoivent des données d’entrée, les traitent et les
transmettent aux neurones dans la couche suivante. Les neurones cachés prennent
les données de sortie des précédents neurones en entrée, calculent de nouvelles
données de sortie et les transmettent à des couches successives.

Dans un réseau de neurones à plus de 3 couches (voir schéma ci-dessus), les

neurones de la dernière couche cachée (hidden layer) transmettent les données de
sortie en entrée des neurones de la couche de sortie (output layer). A partir de cela
les neurones de la couche de sortie produisent les données de sortie finales.

2. Couches: groupement de neurones

Les couches (ou layers) contiennent des neurones et aident à faire circuler
l’information. Il existe au moins deux couches dans un réseau de neurones: la couche
d’entrée (input layer) et la couche de sortie (output layer).

3
Il est tout à fait possible d’avoir un (très) grand nombre de couches dans un réseau
de neurones complexe. Plus il y aura de couches, plus le réseau sera profond (deep
Learning).

Les couches, autres que les couches d’entrée et de sortie, sont appelées les couches
cachées (ou hidden layeras).

3. Poids et biais: valeurs numériques

Les poids et biais sont des variables du modèle qui sont mises à jour pour améliorer
la précision du réseau. Un poids est appliqué à l’entrée de chacun des neurones pour
calculer une donnée de sortie.
Les réseaux de neurones mettent à jour ces poids de manière continue. Il existe donc
une boucle de rétroaction mise en œuvre dans la plupart des réseaux de neurones.

Les biais sont également des valeurs numériques qui sont ajoutées une fois que les
poids sont appliqués aux valeurs d’entrée. Les poids et les biais sont donc en quelque
sorte des valeurs d’auto-apprentissage de nos réseaux de neurones.

Considérez le poids comme une donnée capitale pour un neurone.

4. Fonction d’activation: algorithmes mathématiques appliqués

aux valeurs de sortie
Les fonctions d’activation lissent ou normalisent la donnée de sortie avant qu’elle ne
soit transmise aux neurones suivants. Ces fonctions aident les réseaux de neurones à
apprendre et à s’améliorer.

Le réseau de neurones est un concept d’apprentissage automatique modélisé par le

cerveau biologique.

4
 fonctionnent les réseaux de neurones
Le concept de réseau de neurones repose sur trois étapes principales:

1. Pour chaque neurone dans une couche, multiplier la valeur d’entrée par le
poids.
2. Ensuite, pour chaque couche, additionner toutes les pondérations des
neurones et ajouter un biais.
3. Enfin, appliquer la fonction d’activation sur cette valeur pour calculer une
nouvelle sortie.

1. Comprendre le processus

Soit X1, X2, …, Xn les n neurones de la couche d’entrée, Z1,…, Zm les m neurones de
la couche cachée et Y1,…,Yp les p neurones de la couche de sortie. Soit 1 la valeur de
biais des couches d’entrée et caché. Et soit Wij et Vij les poids synaptiques,
respectivement entre la couche d’entrée et la couche cachée et entre la couche
cachée et celle de sortie.

Chacun des neurones Xn de la couche d’entrée (ainsi que le biais) entre dans chacun
des m neurones de la couche cachée et pareil pour la couche suivante (cf. schéma ci-
dessus). Pour obtenir une valeur de sortie d’un neurone, le processus est le suivant:

Chaque neurone est associé à un poids synaptique. Lorsqu’une donnée d’entrée

entre dans un neurone, le poids sur le neurone est multiplié par sa valeur d’entrée.

5
Ainsi on calcule la somme des poids multipliés par les valeurs d’entrée à laquelle on
ajoute le biais.

Enfin, une fonction d’activation (voir ci-dessous) est appliquée à cette somme
pondérée. Cette valeur de sortie d’un neurone peut ensuite être renvoyée aux
neurones de la couche suivante.

fonction d’activation
Comme son nom l’indique, la fonction d’activation est une formule mathématique
(algorithme) activée dans certaines circonstances. Lorsque les neurones calculent la
somme pondérée des valeurs d’entrée + le biais, elles sont transmises à la fonction
d’activation, qui vérifie si la valeur calculée est supérieure au seuil requis.

Si la valeur calculée est supérieure au seuil requis, la fonction d’activation est activée
et une valeur de sortie est calculée.

Cette valeur de sortie est ensuite transmise aux couches suivantes ou précédentes
(en fonction de la complexité du réseau), ce qui peut aider les réseaux de neurones à
modifier le poids de leurs neurones.

Les fonctions d’activation introduisent la non-linéarité dans les réseaux de neurones,

nécessaire pour résoudre des problèmes complexes.

Si nous traçons les sorties non linéaires produites par les fonctions d’activation, nous
obtiendrons une courbure. La pente de la courbe est utilisée pour calculer le
gradient. Et le gradient nous aide à comprendre le taux de changement et les
relations entre les variables.

À partir des relations, les algorithmes sont optimisés et les poids sont mis à jour.

II. Types de fonctions d’activation

Il existe un grand nombre de fonctions d’activation, telles que:

6
  Sigmoïde: produit une courbe en forme de S. Bien que de nature non linéaire,
il ne tient toutefois pas compte des légères variations des entrées, ce qui
entraîne des résultats similaires.
 Fonctions de tangente hyperbolique (tanh): Il s’agit d’une fonction supérieure
comparée à Sigmoid. Cependant, elle rend moins bien compte des relations
et elle est plus lente à converger.
 Unité linéaire rectifiée (Relu): Cette fonction converge plus rapidement,
optimise et produit la valeur souhaitée plus rapidement. C’est de loin la
fonction d’activation la plus populaire utilisée dans les couches cachées.
 Soft max: utilisé dans la couche de sortie car il réduit les dimensions et peut
représenter une distribution catégorique.

III. la rétro-propagation
Le concept de rétro-propagation (back propagation) aide les réseaux de neurones à
améliorer leur précision.

Dans les applications logicielles traditionnelles, un certain nombre de fonctions sont

codées. Ces fonctions prennent des valeurs en entrée et produisent une valeur de
sortie. Les entrées ne sont pas utilisées pour mettre à jour les instructions.

Cependant, les réseaux de neurones sont artificiellement intelligents. Ils peuvent

apprendre et s’améliorer.

Lorsque les réseaux de neurones sont formés, une gamme de valeurs d’entrée est
transmise avec la valeur de sortie attendue correspondante. Les fonctions
d’activation produisent alors une sortie à partir de l’ensemble des entrées.

1. Rétro-propagation: aide le réseau de neurones à apprendre

Lorsque le résultat réel est différent du résultat attendu, les poids appliqués aux
neurones sont mis à jour. Parfois, les résultats attendus et réels se situent dans les
limites du seuil d’erreur et le réseau de neurones est considéré comme optimal.
7
Cependant, la sortie attendue est parfois différente de la sortie réelle. En
conséquence, les informations sont renvoyées dans le réseau et les poids et biais
sont améliorés. Ce processus est de nature récursive et est appelé rétro-
propagation.

Le processus de rétro-propagation permet aux algorithmes d’auto-apprendre

Ainsi, la rétro-propagation rend les réseaux de neurones intelligents en s’améliorant

automatiquement.

IV. les différents types de réseaux de neurones

Il existe différents types de réseaux de neurones. Les deux réseaux de neurones les
plus populaires sont:

1. Réseau de neurones récurrent – Recurrent Neural Network (RNN):

Ce sont des réseaux de neurones spécialisés qui utilisent le contexte des entrées lors
du calcul de la sortie. La sortie dépend des entrées et des sorties calculées
précédemment.
Ainsi, les RNN conviennent aux applications où les informations historiques sont
importantes. Ces réseaux nous aident à prévoir les séries chronologiques dans les
applications commerciales et à prévoir les mots dans les applications de type chat
bot. Ils peuvent fonctionner avec différentes longueurs d’entrée et de sortie et
nécessitent une grande quantité de données.

2. Réseau de neurones de convolution – Convolution Neural Network (CNN):

Ces réseaux reposent sur des filtres de convolution (matrices numériques). Les filtres
sont appliqués aux entrées avant que celles-ci ne soient transmises aux neurones.
Ces réseaux de neurones sont utiles pour le traitement et la prévision d’images.

V. Conclusion

Dans cet article, j’ai présenté le concept de réseau de neurones (qu’est ce que c’est
et comment cela fonctionne).
De plus nous avons pu voir un aperçu des composants qui les rendent
artificiellement intelligents.
Enfin, j’ai introduit les 2 types de réseaux de neurones les plus populaires.