« J’aimerais expérimenter avec un réseau de neurones, mais je ne sais pas comment le coder rapidement avec TensorFlow. » Dans cet article, nous allons présenter Keras et ses principales fonctionnalités, qui en font un outil privilégié des data scientists. Après une rapide prise en main, nous vous proposerons un cas d’étude à l’état de l’art : comment tromper un réseau de neurones !
Une large portion de la population des data scientists ne provient pas du monde du développement logiciel. Le plus souvent, ils sont issus des mathématiques appliquées ou de la physique, et doivent rapidement se former à « coder ». C’est pourquoi Python s’impose comme un langage de prédilection : facile à prendre en main, polyvalent, il permet de prototyper rapidement une solution. Ainsi, TensorFlow propose une API en Python. On sent toutefois en la manipulant qu’elle a été faite par des développeurs et peut être, pour des développeurs. C’est pour apporter des abstractions plus fortes que le framework Keras a été développé, comme une surcouche à TensorFlow.
1. Un outil pensé pour l’expérimentation
Selon son créateur François Chollet, la motivation de Keras est la suivante :
« Being able to go from idea to result with the least possible delay is key to doing good research. » [1]
Comme il s’agit d’une surcouche, Keras dépend d’un...
- Accédez à tous les contenus de Connect en illimité
- Découvrez des listes de lecture et des contenus Premium
- Consultez les nouveaux articles en avant-première