11/06/2022 17:57 Bienvenue dans Colaboratory - Colaboratory

Bienvenue dans Colab !

Si vous connaissez déjà Colab, regardez cette vidéo pour découvrir les tables interactives, l'affichage de l'historique du code exécuté et la
palette de commandes.

Qu'est-ce que Colab ?

Colab (ou "Colaboratory") vous permet d'écrire et d'exécuter du code Python dans votre navigateur avec

Aucune configuration requise

Accès gratuit aux GPU
Partage facile

Que vous soyez étudiant, data scientist ou chercheur en IA, Colab peut vous simplifier la tâche. Regardez la présentation de Colab pour en
savoir plus ou commencez tout de suite.

Premiers pas

https://colab.research.google.com/#scrollTo=9cA3REDNoIWX&printMode=true 1/13
11/06/2022 17:57 Bienvenue dans Colaboratory - Colaboratory

Le document que vous consultez n'est pas une page Web statique, mais un environnement interactif appelé notebook Colab, qui vous permet
d'écrire et d'exécuter du code.

Voici par exemple une cellule de code avec un bref script en Python qui calcule une valeur, l'enregistre dans une variable et imprime le résultat
:
seconds_in_a_day = 24 * 60 * 60

seconds_in_a_day

86400

Pour exécuter le code dans la cellule ci-dessus, sélectionnez-le en cliquant dessus, puis cliquez sur le bouton de lecture à gauche du code ou
utilisez le raccourci clavier Commande/Ctrl+Entrée. Pour modifier le code, cliquez simplement sur la cellule.

Les variables que vous définissez dans une cellule peuvent être utilisées par la suite dans d'autres cellules :

seconds_in_a_week = 7 * seconds_in_a_day

seconds_in_a_week

604800

Les notebooks Colab vous permettent d'utiliser, dans un même document, du code exécutable, du texte enrichi, des images, du code HTML,
du code LaTeX et bien plus. Lorsque vous créez des notebooks Colab, ils sont enregistrés dans votre compte Google Drive. Vous pouvez
facilement les partager avec vos collaborateurs ou vos amis, qui peuvent alors y apporter des commentaires ou même les modifier. Pour en
savoir plus, consultez la page Présentation de Colaboratory. Pour créer un notebook Colab, utilisez le menu "Fichier" ci-dessus ou le lien Créer
un notebook Colab.

Les notebooks Colab sont des notebooks Jupyter hébergés par Colab. Pour en savoir plus sur le projet Jupyter, consultez le site Web
jupyter.org.

Science des données

https://colab.research.google.com/#scrollTo=9cA3REDNoIWX&printMode=true 2/13
11/06/2022 17:57 Bienvenue dans Colaboratory - Colaboratory

Colab vous permet de tirer pleinement parti des bibliothèques populaires Python pour analyser et visualiser des données. La cellule de code
ci-dessous utilise numpy pour générer des données aléatoires et matplotlib pour les visualiser. Pour modifier le code, cliquez simplement sur
la cellule.

import numpy as np

from matplotlib import pyplot as plt

ys = 200 + np.random.randn(100)

x = [x for x in range(len(ys))]

plt.plot(x, ys, '-')

plt.fill_between(x, ys, 195, where=(ys > 195), facecolor='g', alpha=0.6)

plt.title("Sample Visualization")

plt.show()

Vous pouvez importer vos propres données dans les notebooks Colab depuis votre compte Google Drive, y compris depuis des feuilles de
calcul, ainsi que depuis GitHub et de nombreuses autres sources. Pour en savoir plus sur l'importation de données et l'utilisation de Colab

https://colab.research.google.com/#scrollTo=9cA3REDNoIWX&printMode=true 3/13
11/06/2022 17:57 Bienvenue dans Colaboratory - Colaboratory

dans le domaine de la science des données, consultez les liens ci-dessous dans la section Utiliser les données.

Machine learning
Colab vous permet d'importer un ensemble de données d'images, d'entraîner un classificateur d'images sur cet ensemble et d'évaluer le
modèle, tout cela avec quelques lignes de code. Les notebooks Colab exécutent ce code sur les serveurs cloud de Google. Vous avez donc à
votre disposition toute la puissance du matériel Google, y compris les GPU et TPU, quelle que soit la puissance de votre ordinateur. Vous
n'avez besoin que d'un navigateur.

Colab est très largement utilisé par la communauté du machine learning, par exemple dans les applications suivantes :

Premiers pas avec TensorFlow

Développement et entraînement de réseaux de neurones
Expérimentation avec les TPU
Dissémination de la recherche en IA
Création de tutoriels

Pour voir comment les notebooks Colab sont utilisés dans des applications de machine learning, reportez-vous aux exemples de machine
learning ci-dessous.

Autres ressources
Utiliser les notebooks dans Colab
Présentation de Colaboratory
Guide de Markdown
Importer des bibliothèques et installer des dépendances
Enregistrer et charger des notebooks dans GitHub
Formulaires interactifs

https://colab.research.google.com/#scrollTo=9cA3REDNoIWX&printMode=true 4/13
11/06/2022 17:57 Bienvenue dans Colaboratory - Colaboratory

Widgets interactifs
TensorFlow 2 dans Colab

Utiliser les données

Chargement de données : Drive, Sheets et Google Cloud Storage
Graphiques : visualiser les données
Premiers pas avec BigQuery

Cours d'initiation au Machine Learning

Vous trouverez ci-dessous quelques-uns des notebooks de la formation Google en ligne sur le machine learning. Consultez la formation
complète en ligne pour en savoir plus.

Présentation du DataFrame pandas

Régression linéaire avec tf.keras et des données synthétiques

Utiliser le matériel accéléré

TensorFlow avec des GPU
TensorFlow avec des TPU

Exemples
Échange de voix avec NeMo : utilisez le kit Nvidia NeMo pour l'IA conversationnelle afin d'échanger une voix dans un fragment audio
contre une voix générée par ordinateur.

Recyclage d'un classificateur d'images : construisez un modèle Keras sur un classificateur d'images pré-entraîné pour faire la distinction
entre différentes fleurs.

Classification de texte : classez des avis sur des films provenant de la base de données IMDB comme positifs ou négatifs.

Transfert de style : utilisez le deep learning pour transférer un style d'une image à une autre.

https://colab.research.google.com/#scrollTo=9cA3REDNoIWX&printMode=true 5/13
11/06/2022 17:57 Bienvenue dans Colaboratory - Colaboratory

Questions/Réponses sur l'encodeur de phrases universel multilingue : utilisez un modèle de machine learning afin de répondre aux
questions issues de l'ensemble de données SQuAD.

Interpolation vidéo : prédisez ce qui s'est passé entre la première et la dernière image d'une vidéo.

import tensorflow as tf
from tensorflow.keras import datasets, layers, models

import matplotlib.pyplot as plt

import numpy as np

(X_train, y_train), (X_test,y_test) = datasets.cifar10.load_data()

X_train.shape

Downloading data from https://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz

170500096/170498071 [==============================] - 2s 0us/step

170508288/170498071 [==============================] - 2s 0us/step

(50000, 32, 32, 3)

X_test.shape

(10000, 32, 32, 3)

X_test.shape

(10000, 32, 32, 3)

y_train[:7]

array([[6],

[9],

[9],

[4],

[1],

https://colab.research.google.com/#scrollTo=9cA3REDNoIWX&printMode=true 6/13
11/06/2022 17:57 Bienvenue dans Colaboratory - Colaboratory

[1],

[2]], dtype=uint8)

y_train = y_train.reshape(-1,)

y_train[:5]

array([6, 9, 9, 4, 1], dtype=uint8)

y_test = y_test.reshape(-1,)

classes = ["airplane","automobile","bird","cat","deer","dog","frog","horse","ship","truck"]

def plot_sample(X, y, index):

    plt.figure(figsize = (15,2))

    plt.imshow(X[index])

    plt.xlabel(classes[y[index]])

plot_sample(X_train, y_train, 22)

plt.imshow(X_train[ 22])

https://colab.research.google.com/#scrollTo=9cA3REDNoIWX&printMode=true 7/13
11/06/2022 17:57 Bienvenue dans Colaboratory - Colaboratory

<matplotlib.image.AxesImage at 0x7f7754e8d750>

plot_sample(X_train, y_train, 1)

X_train = X_train / 255.0

X_test = X_test / 255.0

ann = models.Sequential([

        layers.Flatten(input_shape=(32,32,3)),

        layers.Dense(3000, activation='relu'),

        layers.Dense(1000, activation='relu'),

        layers.Dense(10, activation='softmax')    

    ])

ann.compile(optimizer='SGD',

              loss='sparse_categorical_crossentropy',

https://colab.research.google.com/#scrollTo=9cA3REDNoIWX&printMode=true 8/13
11/06/2022 17:57 Bienvenue dans Colaboratory - Colaboratory

              metrics=['accuracy'])

ann.fit(X_train, y_train, epochs=5)

Epoch 1/5

1563/1563 [==============================] - 96s 61ms/step - loss: 1.8108 - accuracy: 0.3555

Epoch 2/5

1563/1563 [==============================] - 94s 60ms/step - loss: 1.6206 - accuracy: 0.4267

Epoch 3/5

1563/1563 [==============================] - 95s 61ms/step - loss: 1.5403 - accuracy: 0.4553

Epoch 4/5

1563/1563 [==============================] - 100s 64ms/step - loss: 1.4806 - accuracy: 0.4769

Epoch 5/5

1563/1563 [==============================] - 104s 67ms/step - loss: 1.4306 - accuracy: 0.4991

<keras.callbacks.History at 0x7f7750fdf090>

from sklearn.metrics import confusion_matrix , classification_report

import numpy as np

y_pred = ann.predict(X_test)

y_pred_classes = [np.argmax(element) for element in y_pred]

print("Classification Report: \n", classification_report(y_test, y_pred_classes))

Classification Report:

precision recall f1-score support

0 0.57 0.54 0.56 1000

1 0.54 0.73 0.62 1000

2 0.38 0.32 0.35 1000

3 0.36 0.31 0.34 1000

4 0.45 0.34 0.39 1000

5 0.50 0.26 0.34 1000

6 0.34 0.83 0.49 1000

7 0.58 0.54 0.56 1000

8 0.77 0.41 0.54 1000

9 0.61 0.50 0.55 1000

accuracy 0.48 10000

macro avg 0.51 0.48 0.47 10000

https://colab.research.google.com/#scrollTo=9cA3REDNoIWX&printMode=true 9/13
11/06/2022 17:57 Bienvenue dans Colaboratory - Colaboratory

weighted avg 0.51 0.48 0.47 10000

cnn = models.Sequential([

    layers.Conv2D(filters=32, kernel_size=(3, 3), activation='relu', input_shape=(32, 32, 3)),

    layers.MaxPooling2D((2, 2)),

    

    layers.Conv2D(filters=64, kernel_size=(3, 3), activation='relu'),

    layers.MaxPooling2D((2, 2)),

    

    layers.Flatten(),

    layers.Dense(64, activation='relu'),

    layers.Dense(10, activation='softmax')

])

cnn.compile(optimizer='adam',

              loss='sparse_categorical_crossentropy',

              metrics=['accuracy'])

cnn.fit(X_train, y_train, epochs=10)

Epoch 1/10

1563/1563 [==============================] - 59s 38ms/step - loss: 1.4385 - accuracy: 0.4853

Epoch 2/10

1563/1563 [==============================] - 60s 39ms/step - loss: 1.0961 - accuracy: 0.6168

Epoch 3/10

1563/1563 [==============================] - 58s 37ms/step - loss: 0.9639 - accuracy: 0.6650

Epoch 4/10

1563/1563 [==============================] - 58s 37ms/step - loss: 0.8818 - accuracy: 0.6932

Epoch 5/10

1563/1563 [==============================] - 57s 37ms/step - loss: 0.8162 - accuracy: 0.7178

Epoch 6/10

1563/1563 [==============================] - 59s 38ms/step - loss: 0.7554 - accuracy: 0.7388

Epoch 7/10

1563/1563 [==============================] - 57s 37ms/step - loss: 0.7081 - accuracy: 0.7542

Epoch 8/10

https://colab.research.google.com/#scrollTo=9cA3REDNoIWX&printMode=true 10/13
11/06/2022 17:57 Bienvenue dans Colaboratory - Colaboratory

1563/1563 [==============================] - 57s 37ms/step - loss: 0.6656 - accuracy: 0.7680

Epoch 9/10

1563/1563 [==============================] - 58s 37ms/step - loss: 0.6233 - accuracy: 0.7811

Epoch 10/10

1563/1563 [==============================] - 59s 38ms/step - loss: 0.5836 - accuracy: 0.7968

<keras.callbacks.History at 0x7f774d857610>

cnn.evaluate(X_test,y_test)

313/313 [==============================] - 4s 11ms/step - loss: 0.9209 - accuracy: 0.7052

[0.9209380149841309, 0.7052000164985657]

y_pred = cnn.predict(X_test)
y_pred[:5]

array([[2.1007098e-04, 9.7725257e-05, 6.3695037e-04, 9.3715382e-01,

9.1687450e-03, 1.9931827e-02, 2.0851484e-02, 5.1525712e-06,

1.1890996e-02, 5.3129814e-05],

[5.4370753e-02, 6.1386297e-03, 1.8121671e-07, 6.9612540e-08,

2.3597504e-07, 1.6930533e-08, 3.1760299e-09, 5.8961191e-08,

9.3903929e-01, 4.5083015e-04],

[5.1958419e-02, 4.6494868e-02, 1.0166498e-03, 7.9114381e-03,

4.4377516e-03, 1.9360633e-03, 1.5709603e-04, 3.5888364e-03,

8.1994313e-01, 6.2555701e-02],

[9.9251139e-01, 8.7817862e-06, 2.6905947e-04, 7.0352748e-05,

1.3248758e-04, 1.3583535e-06, 2.6327138e-05, 1.3952686e-06,

6.9780699e-03, 7.2244472e-07],

[1.6398120e-07, 1.0387883e-05, 1.7495357e-02, 1.4159001e-02,

1.0132681e-01, 2.3717307e-04, 8.6675119e-01, 1.5652869e-07,

1.9725056e-05, 6.6760633e-09]], dtype=float32)

y_classes = [np.argmax(element) for element in y_pred]
y_classes[:5]

[3, 8, 8, 0, 6]

y_test[:5]
https://colab.research.google.com/#scrollTo=9cA3REDNoIWX&printMode=true 11/13
11/06/2022 17:57 Bienvenue dans Colaboratory - Colaboratory

array([3, 8, 8, 0, 6], dtype=uint8)

plot_sample(X_test, y_test,3)

classes[y_classes[3]]

'airplane'

https://colab.research.google.com/#scrollTo=9cA3REDNoIWX&printMode=true 12/13
11/06/2022 17:57 Bienvenue dans Colaboratory - Colaboratory

check 0 s terminée à 17:54

https://colab.research.google.com/#scrollTo=9cA3REDNoIWX&printMode=true 13/13