1. Importer les bibliothèques nécessaires

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

Nous commençons par importer TensorFlow, ainsi que des modules spécifiques pour construire notre modèle.

2. Créer un modèle séquentiel

model = models.Sequential([ layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)), layers.MaxPooling2D((2, 2)), layers.Conv2D(64, (3, 3), activation='relu'), layers.MaxPooling2D((2, 2)), layers.Conv2D(64, (3, 3), activation='relu'), layers.Flatten(), layers.Dense(64, activation='relu'), layers.Dense(10, activation='softmax') ])

Ce modèle est constitué de plusieurs couches :

Conv2D : Applique des filtres à l'image d'entrée pour détecter des motifs (ici des chiffres).
MaxPooling2D : Réduit la taille des images pour diminuer la complexité.
Flatten : Transforme les données 2D en une dimension pour les passer aux couches suivantes.
Dense : Crée des couches entièrement connectées pour prédire la classe de l'image (ici un chiffre de 0 à 9).
Softmax : Fonction d'activation utilisée pour la classification multiclasse (10 classes ici).

3. Compiler le modèle

model.compile(optimizer='adam', loss='sparse_categorical_crossentropy'
, metrics=['accuracy'])

Nous configurons le modèle pour l'entraînement :

adam : Un optimiseur performant et populaire.
sparse_categorical_crossentropy : La fonction de perte utilisée pour la classification multiclasse.
accuracy : L'indicateur de performance du modèle.

4. Entraîner le modèle

model.fit(train_images, train_labels, epochs=5)

Le modèle est entraîné avec les images d'entraînement (train_images) et les étiquettes correspondantes (train_labels) pendant 5 époques.

5. Évaluer et tester le modèle

test_loss, test_acc = model.evaluate(test_images, test_labels) print(f'Test accuracy: {test_acc}')

Nous évaluons le modèle sur des données de test et affichons la précision obtenue.