DEEP LEARNING

La librairie Keras de python

1. Introduction
2. Caractéristiques de
Keras
a. Installation de
TensorFlow
b. Installation de
Keras
3. Utilisation de Keras
4. Conclusion

Ecole Hassania des Travaux Publics

Samuel AGNINDE
 KERAS
Introduction
Keras est une API (Application Programming Interface en anglais) de réseaux de neurones de haut
niveau, écrite en Python et qui sert d’interface avec TensorFlow, CNTK et Theano. Il est conçu pour
être modulaire, rapide et facile à utiliser. Il a été développé par François Chollet, un ingénieur de
Google. Il supporte les réseaux de neurones convolutionnels et récurrents. Il a été développée avec
pour objectif de permettre des expérimentations rapides, c’est à dire pour rendre la mise en œuvre
de modèles de Deep Learning aussi simples et rapides que possible pour la recherche et le
développement. Être capable d’aller de l’idée au résultat avec le plus faible délai possible.

Caractéristiques de Keras
 Convivialité : Keras est une API développée pour les humains, pas pour les machines. Elle
met l’expérience utilisateur au centre de tout. Keras suit les meilleures pratiques afin de
réduire la charge cognitive : elle propose une API simple et cohérente, minimisant le nombre
d’actions requises pour les cas les plus communs, et les messages d’erreur sont
suffisamment explicites pour permettre une résolution simple des problèmes.
 Modularité : Un modèle est considéré comme une séquence ou un graph de modules
autonomes, complètement configurables et qui peuvent être reliés les uns aux autres avec le
minimum de restrictions possible. En particulier, les couches de neurones, les fonctions de
coût, les optimiseurs, fonctions d’activation, mécanismes de régularisation, sont tous des
modules indépendants que l’on peut combiner pour créer de nouveaux modèles.
 Extensibilité : Il est facile d’ajouter de nouveaux modules, en tant que classes ou fonctions,
et les modules existants fournissent de nombreux exemples. La simplicité de création de
nouveaux modules permet une expression totale, ce qui fait de Keras un outil parfaitement
adapté à la recherche avancée.
 Fonctionnement en Python : Pas de fichiers séparés de configuration des modèles en format
déclaratif. Tout est déclaré dans le code, ce qui permet un débogage facile et facilite
l’extensibilité.

Installation de keras
L'installation de Keras est relativement simple si vous disposez déjà d'un environnement Python et
SciPy actif.

Vous devez également avoir déjà installé Theano ou TensorFlow sur votre système.

Installation de TensorFlow
Voir rapport sur TensorFlow de Dinar

 Si vous utilisez l’environnement conda :

o conda install numpy scipy mkl-service libpython
Cette commande permet toute d’abord d’installer les prérequis pour l’installation de
theano :il s’agit des librairies de base nympy, scipy et mkl-service
o conda install theano

 Si vous utilisez l’idle python :

pip install theano

1
Installation de Keras :
Une fois tensorflow, theano installé, il suffit d’appliquer la commande suivante : pip install keras
pour idle python et conda install keras pour conda.

Utilisation de keras :
La structure de données de base de Keras est un modèle, un moyen d’organiser les couches. Le type
le plus simple de modèle est le modèle séquentiel, une pile linéaire de couches. Pour les
architectures plus complexes, vous devez utiliser Keras functional API, qui permet de créer des
graphiques arbitraires de couches.

Exemple d’un modèle séquentiel :

from keras.models import Sequential

model = Sequential()

L'empilement de couches se fait par .add ():

from keras.layers import Dense

model.add(Dense(units=64, activation='relu', input_dim=100))

model.add(Dense(units=10, activation='softmax'))

Le modèle doit savoir à quelle forme d'entrée il doit s'attendre. Pour cette raison, la première couche
d'un modèle séquentiel (et uniquement la première, car les couches suivantes peuvent effectuer une
inférence de forme automatique) doit recevoir des informations sur la forme en entrée, c’est à dire la
taille du vecteur d’entrée.

L’activation concerne les fonctions d’activations des couches

Avant de former un modèle, vous devez configurer le processus d'apprentissage, qui s'effectue via la
méthode de compilation. Il reçoit trois arguments :
model.compile(optimizer='rmsprop',
loss='categorical_crossentropy',
metrics=['accuracy'])
Le training
import numpy as np
data = np.random.random((1000, 100))
labels = np.random.randint(2, size=(1000, 1))

C’est la création de la base de données, ici aléatoire

# Train the model, iterating on the data in batches of 32 samples
model.fit(data, labels, epochs=10, batch_size=32)

L’entrainement proprement dit avec 10 itérations

Conclusion :
Keras est une librairie propre, créé et adapté à l’apprentissage automatique précisément le Deep
Learning. Cette base combinée à TensorFlow et OpenCv permettront de faire le traitement d’image
pour améliorer la vision d’un robot afin d’éviter des obstacles sur son parcours.