CommencezCommencez gratuitement

Une machine d'irrigation

Vous allez automatiser l'arrosage de parcelles agricoles en créant une machine d'irrigation intelligente. Les problèmes de classification multi-étiquettes diffèrent des problèmes multiclasse, car chaque observation peut recevoir zéro, une ou plusieurs étiquettes. Les classes/étiquettes ne sont donc pas mutuellement exclusives : selon les entrées, vous pourriez arroser toutes les parcelles, aucune, ou n'importe quelle combinaison.

Pour gérer ce comportement, on utilise une couche de sortie ayant autant de neurones que de classes, mais cette fois, contrairement aux problèmes multiclasse, chaque neurone de sortie a une fonction d'activation sigmoid. Ainsi, chaque neurone de la couche de sortie peut produire indépendamment un nombre entre 0 et 1.

Le modèle Sequential() et les couches Dense() sont prêts à être utilisés. Il est temps de construire une machine d'irrigation intelligente !

Cette activité fait partie du cours

Introduction à Deep Learning avec Keras

Voir le cours

Instructions de l’exercice

  • Instanciez un modèle Sequential().
  • Ajoutez une couche cachée de 64 neurones, avec autant de neurones d'entrée qu'il y a de capteurs, et une activation relu.
  • Ajoutez une couche de sortie avec autant de neurones qu'il y a de parcelles et une activation sigmoid.
  • Compilez votre modèle avec l'optimiseur adam et la fonction de perte binary_crossentropy.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Instantiate a Sequential model
model = ____

# Add a hidden layer of 64 neurons and a 20 neuron's input
____

# Add an output layer of 3 neurons with sigmoid activation
____

# Compile your model with binary crossentropy loss
model.compile(optimizer='adam',
           loss = ____,
           metrics=['accuracy'])

model.summary()
Modifier et exécuter le code