Un réseau neuronal peut se comprendre comme une succession d’opérations mathématiques sur des données. L’exemple introductif de PyTorch classe des images de vêtements : leurs valeurs traversent des couches qui produisent des scores pour les classes possibles. C’est une tâche informatique précise, pas une démonstration de compréhension humaine.
Certaines couches contiennent des poids et des biais ajustables. Des transformations linéaires sont associées à des opérations non linéaires, ce qui permet de représenter des relations entrée-sortie plus complexes qu’une chaîne uniquement linéaire. Le choix et l’agencement des couches constituent l’architecture.
L’entraînement commence par comparer une prédiction à la cible associée à un exemple. Une fonction de perte mesure leur différence selon l’objectif choisi. La rétropropagation calcule les gradients de cette perte par rapport aux paramètres, puis un optimiseur les utilise pour modifier ces paramètres.
Ce processus se répète sur les données d’entraînement. Des réglages comme le taux d’apprentissage influencent les mises à jour. Une perte d’entraînement plus faible est informative, mais ne résume pas l’évaluation : le tutoriel vérifie aussi les prédictions sur un ensemble de test distinct.
Il faut distinguer conception du calcul, ajustement des paramètres et évaluation des résultats. Cet exemple ne prouve pas que tout réseau soit fiable pour tout usage. Une présentation devrait préciser tâche, données et évaluation plutôt que de s’appuyer sur l’étiquette « intelligent ».
Sources : PyTorch: Build the Neural Network; PyTorch: Optimizing Model Parameters.




Discussion