Académique Documents
Professionnel Documents
Culture Documents
Prénom: ---------------------------------------------------
Comment appelle-t-on les données nécessaires à la Dropout est une technique qui:
construction du modèle de réseaux de neurones : o Supprime des neurones dans les couches du
o Données de test modèle
o Données d’apprentissage o Permet de réduire l'overfitting
o Données de validation o Désactive aléatoirement des neurones
Exercice 2 (6pts):
Analyser les programmes suivants et dire ce qu’ils affichent comme résultats
----------------------Model1.py---------------------
model = Sequential()
model.add(LSTM(units=50,return_sequences=True,input_shape=(X_train.shape[1], 1)))
model.add(Dropout(0.2))
model.add(LSTM(units=50,return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(units=50,return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(units=50))
model.add(Dropout(0.2))
model.add(Dense(units=1))
model.compile(optimizer='adam',loss='mean_squared_error')
model.fit(X_train,y_train,epochs=1,batch_size=32)
model.save('model.h5')
-------------------------Model2.py-----------------------------
fashion_mnist = tf.keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
train_images = train_images / 255.0
test_images = test_images / 255.0
model = tf.keras.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(10)
]) -------------------------Model3.py-----------------------------------
@app.route('/', methods=['POST', 'GET'])
def index():
if request.method == 'POST':
file = request.files['image']
fullname = os.path.join(UPLOAD_FOLDER, file.filename)
file.save(fullname)
pred_prob = 0.9
if pred_prob > .5:
label = 'Spam'
accuracy = round(pred_prob * 100, 2)
else:
label = 'Not sPAM
accuracy = round((1 - pred_prob) * 100, 2)
return render_template('index.html', image_file_name=file.filename, label=label,
accuracy=accuracy,
predict=True)
else:
return render_template('index.html', predict=False)
Exercice 3 (8pts):
Votre mission consiste à concevoir et réaliser une Application multiplateformes nommée Brain
Cancer Detection App permettant la détection des lésions malignes dans des images IRM (voir Fig ci-
dessous)
Maligne 95% Bégnine 88%