Académique Documents
Professionnel Documents
Culture Documents
Encadré par :
Mr. Abdessamad EL RHARRAS
Réalisé par :
Dinar Farid
INTRODUCTION
TensorFlow est un outil open source du Machine Learning développé par Google. Autrement,
TensorFlow est un ‘Framework’* de calcul permettant de créer des modèles du ‘Machine Learning’.
Il a bouleversé le monde du ‘Machine Learning’ en intégrant de nombreuses fonctionnalités qui
facilitent la création de modèles et leur déploiement en production. Ainsi TensorFlow est l'un des
outils les plus utilisés en intelligence artificielle dans le domaine du Machine Learning.
Les deux composantes principales de TensorFlow sont : les Opérations et les Tensors.
L’idée est de créer un modèle, un ensemble d’Opérations, puis d’alimenter ce modèle avec les
données ou Tensors. Ces Tensors vont couler dans le modèle comme un flux (Flow): d’où le nom
TensorFlow.
*Un Framework (appelé aussi infrastructure logicielle) désigne un ensemble cohérent de composants
logiciels structurels, qui sert à créer les fondations ainsi que les grandes lignes de tout ou d’une
partie d'un logiciel.
1. Installation du TensorFlow
Maintenant pour installer TensorFlow, vous tapez tout simplement la commande sur l’invite de
commandes:
Et attendez l’installation qu’elle soit complète et voilà, Vous pouvez maintenant écrire vos code en
utilisant Tensorflow!
2. Les différentes types de Tensors
>>> Il est important de noter la possibilité de transformer les données existantes sous Python
(NumPy, Pandas, … ) en tenseur par la méthode tf.convert_to_tensor !
Les Operations
En tant que bibliothèque de calculs numériques au même titre que Numpy, on peut effectuer
plusieurs calculs sur TensorFlow comme le montrent les quelques exemples ci-dessous :
import tensorflow as tf
a=tf.constant([3,6])
b=tf.constant([2,2])
tf.add(a,b)
tf.add_n([a,b,b]) # a + b + b
tf.multiply(a,b) # a*b
Le tableau ci-dessous donne une idée non exhaustive, par groupe, des opérations possibles via
TensorFlow.
Les Sessions
Définissons et affichons une chaîne de caractères hello via TensorFlow.
Output :
>>> Tensor("Const_2:0", shape=(), dtype=string)
Comme vous pouvez voir, le tenseur constant hello n’a pas été exécuté !!!
Pour exécuter une opération, il est primordial d’ouvrir une Session grâce à la méthode Session.run().
Ce système d’exécution permet d’éviter de retourner dans du pur Python à chaque étape et
d’exécuter toutes les opérations d’un graphe en une seule fois dans un même backend optimisé.
Output:
Maintenant que nous avons vu quelques bases en Tensorflow nous allons coder quelques
opérations usuelles :
Addition & Soustraction:
Import tensorflow as tf
a1 = tf.constant([1, 2, 3])
a2 = tf.constant([3, 4, 5])
a3 = a1 + a2 # (tf.add(a1, a2))
with tf.Session() as session:
session.run(a3)
# Resultat
[4, 6, 8]
a4 = a1 - a2
with tf.Session() as session:
session.run(a4)
# Resultat
[-2, -2, -2]
importtensorflow as tf
a1 = tf.constant([1, 2, 3])
a2 = tf.constant([3, 4, 5])
a3 = a1 * a2 # (tf.mul(a1, a2))
with tf.Session() as session:
session.run(a3)
# Resultat
[3, 8, 15]
a4 = a1/a2
with tf.Session() as session:
session.run(a4)
# Resultat
[0.34, 0.5, 0.6]
Redimensiennement
import tensorflow as tf
a1 = tf.constant([3, 5, 7],[4, 6, 8])# dim. sont(2, 3)
a2 = tf.reshape(a1, [3, 2])
with tf.Session() as sess:
sess.run(a2)
print(a2)
# Resultat
[[3, 5],[7, 4],[6, 8]] ])# dim. deviennent(3, 2)
CONCLUSION
TensorFlow est principalement utilisé comme infrastructure backend dont les modules sont
appelés via l’API Keras (pour plus de détails veuillez consulter le rapport de Samuel sur Keras). En
règle générale, TensorFlow est utilisé pour résoudre des problèmes complexes tels que la
classification d'images, la reconnaissance d'objets, la reconnaissance de sons, etc…
https://blog.zenika.com/2017/11/14/tensorflow-le-nouveau-framework-pour-democratiser-
le-deep-learning-13/
wikipidea
TensorFlow documentation.