{"id":54780,"date":"2020-01-04T00:00:00","date_gmt":"2020-01-03T21:00:00","guid":{"rendered":"https:\/\/prohoster.info\/blog\/blog_prohoster\/nejroseti-kuda-eto-vse-dvizhetsya"},"modified":"2020-02-18T14:02:50","modified_gmt":"2020-02-18T11:02:50","slug":"nejroseti-kuda-eto-vse-dvizhetsya","status":"publish","type":"post","link":"https:\/\/prohoster.info\/fr\/blog\/news\/nejroseti-kuda-eto-vse-dvizhetsya","title":{"rendered":"R\u00e9seaux neuronaux. O\u00f9 cela nous m\u00e8ne-t-il ?","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>L'article est compos\u00e9 de deux parties :<\/p>\n<p><\/p>\n<ol>\n<li>Une br\u00e8ve description de certaines architectures de r\u00e9seaux pour la d\u00e9tection d'objets sur les images et la segmentation d'images avec des liens que j'ai trouv\u00e9s les plus clairs. J'ai essay\u00e9 de choisir des vid\u00e9os explicatives, de pr\u00e9f\u00e9rence en russe.<\/li>\n<li>La deuxi\u00e8me partie consiste \u00e0 tenter de comprendre la direction de l'\u00e9volution des architectures de r\u00e9seaux neuronaux et des technologies qui en d\u00e9coulent.<\/li>\n<\/ol>\n<p><\/p>\n<p><img decoding=\"async\" alt=\"R\u00e9seaux neuronaux. O\u00f9 cela nous m\u00e8ne-t-il ?\" src=\"\/wp-content\/uploads\/2020\/01\/3e0238547dc956dbb069c11241e4534f.png\" style=\"display:block;margin: 0 auto;\" \/><\/p>\n<p><\/p>\n<p>Figure 1 \u2013 Comprendre les architectures des r\u00e9seaux neuronaux n'est pas simple.<\/p>\n<p><\/p>\n<p>Tout a commenc\u00e9 par le d\u00e9veloppement de deux applications de d\u00e9monstration pour la classification et la d\u00e9tection d'objets sur un t\u00e9l\u00e9phone Android :<\/p>\n<p><\/p>\n<ul>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/foobar167\/junkyard\/tree\/master\/object_classifier\">D\u00e9monstration back-end<\/a><\/noindex>, o\u00f9 les donn\u00e9es sont trait\u00e9es sur le serveur et envoy\u00e9es au t\u00e9l\u00e9phone. Classification d'images (image classification) de trois types d'ours : brun, noir et en peluche.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/foobar167\/android\/tree\/master\/object_detection_demo\">D\u00e9monstration front-end<\/a><\/noindex>, o\u00f9 les donn\u00e9es sont trait\u00e9es directement sur le t\u00e9l\u00e9phone. D\u00e9tection d'objets (object detection) de trois types : noisette, figue et datte.<\/li>\n<\/ul>\n<p><noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><\/p>\n<p>Il y a une diff\u00e9rence entre les t\u00e2ches de classification d'images, de d\u00e9tection d'objets sur les images et <noindex><a rel=\"nofollow\" href=\"https:\/\/medium.com\/analytics-vidhya\/image-classification-vs-object-detection-vs-image-segmentation-f36db85fe81\">la segmentation d'images<\/a><\/noindex>. C'est pourquoi il est devenu n\u00e9cessaire d'apprendre quelles architectures de r\u00e9seaux neuronaux d\u00e9tectent des objets sur les images et lesquelles peuvent segmenter. J'ai trouv\u00e9 les exemples suivants d'architectures avec les liens que j'ai jug\u00e9s les plus clairs :<\/p>\n<p><\/p>\n<ul>\n<li>Une s\u00e9rie d'architectures bas\u00e9es sur R-CNN (<strong>R<\/strong>\u00e9gions avec <strong>C<\/strong>onvolution <strong>N<\/strong>eural <strong>N<\/strong>r\u00e9seau features) : R-CNN, Fast R-CNN, <noindex><a rel=\"nofollow\" href=\"https:\/\/medium.com\/@smallfishbigsea\/faster-r-cnn-explained-864d4fb7e3f8\">Faster R-CNN<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/0vt05rQqk_I\">Mask R-CNN<\/a><\/noindex>. Pour d\u00e9tecter un objet sur une image, un m\u00e9canisme de Region Proposal Network (RPN) met en \u00e9vidence des r\u00e9gions limit\u00e9es (bounding boxes). Initialement, un m\u00e9canisme plus lent, Selective Search, \u00e9tait utilis\u00e9 \u00e0 la place de RPN. Ensuite, les r\u00e9gions limit\u00e9es mises en surbrillance sont envoy\u00e9es en entr\u00e9e d'un r\u00e9seau neuronal classique pour classification. Dans l'architecture R-CNN, il y a des boucles 'for' explicites pour parcourir les r\u00e9gions limit\u00e9es, atteignant jusqu'\u00e0 2000 passages via le r\u00e9seau interne AlexNet. En raison de ces boucles 'for' explicites, la vitesse de traitement des images est ralentie. Le nombre de boucles explicites et le passage \u00e0 travers le r\u00e9seau neuronal interne diminuent avec chaque nouvelle version de l'architecture, et des dizaines d'autres modifications sont \u00e9galement r\u00e9alis\u00e9es pour augmenter la vitesse et pour remplacer la t\u00e2che de d\u00e9tection d'objets par la segmentation d'objets dans Mask R-CNN.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/L0tzmv--CGY\">YOLO<\/a><\/noindex> (<strong>Y<\/strong>ou <strong>O<\/strong>nly <strong>L<\/strong>ook <strong>O<\/strong>nce) \u2013 le premier r\u00e9seau de neurones capable de reconna\u00eetre des objets en temps r\u00e9el sur des appareils mobiles. Sa caract\u00e9ristique distinctive : la distinction des objets en un seul passage (il suffit de regarder une fois). Cela signifie qu'il n'y a pas de boucles explicites \u00ab for \u00bb dans l'architecture YOLO, ce qui permet un fonctionnement rapide. Par exemple, une analogie : dans NumPy, lors des op\u00e9rations sur des matrices, il n'y a \u00e9galement pas de boucles \u00ab for \u00bb explicites, qui sont r\u00e9alis\u00e9es \u00e0 des niveaux d'architecture plus bas par le biais du langage de programmation C. YOLO utilise une grille d'ouvertures pr\u00e9d\u00e9finies. Pour qu'un m\u00eame objet ne soit pas identifi\u00e9 plusieurs fois, un coefficient de recouvrement des ouvertures (IoU, <strong>I<\/strong>intersection <strong>o<\/strong>sup\u00e9rieur <strong>U<\/strong>union). Cette architecture fonctionne sur une large gamme et poss\u00e8de une haute <noindex><a rel=\"nofollow\" href=\"https:\/\/ru.wikipedia.org\/wiki\/%D0%A0%D0%BE%D0%B1%D0%B0%D1%81%D1%82%D0%BD%D0%BE%D1%81%D1%82%D1%8C\">robustesse<\/a><\/noindex>: le mod\u00e8le peut \u00eatre entra\u00een\u00e9 sur des photographies, tout en travaillant bien sur des peintures dessin\u00e9es.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/P8e-G-Mhx4k\">SSD<\/a><\/noindex> (<strong>S<\/strong>single <strong>S<\/strong>shot MultiBox <strong>D<\/strong>detector) \u2013 utilise les hacks les plus efficaces de l'architecture YOLO (comme la suppression de maximum non-nul) et en ajoute de nouveaux pour que le r\u00e9seau de neurones fonctionne plus rapidement et avec plus de pr\u00e9cision. Caract\u00e9ristique distinctive : la distinction des objets en un seul passage \u00e0 l'aide d'une grille d'ouvertures d\u00e9finies (default box) sur une pyramide d'images. La pyramide d'images est cod\u00e9e dans des tenseurs convolutifs lors des op\u00e9rations cons\u00e9cutives de convolution et de pooling (lors de l'op\u00e9ration de max-pooling, la dimension spatiale diminue). De cette mani\u00e8re, des objets \u00e0 la fois grands et petits sont d\u00e9finis en un seul passage du r\u00e9seau.<\/li>\n<li>MobileSSD (<strong>Mobile<\/strong>NetV2 + <strong>SSD<\/strong>) \u2013 combinaison de deux architectures de r\u00e9seaux de neurones. Le premier r\u00e9seau <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/352804\/\">MobileNetV2<\/a><\/noindex> fonctionne rapidement et augmente la pr\u00e9cision de reconnaissance. MobileNetV2 est utilis\u00e9 \u00e0 la place de VGG-16, qui \u00e9tait initialement utilis\u00e9e dans <noindex><a rel=\"nofollow\" href=\"https:\/\/arxiv.org\/abs\/1512.02325\">l'article original<\/a><\/noindex>. Le deuxi\u00e8me r\u00e9seau SSD d\u00e9termine l'emplacement des objets sur l'image.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/ge_RT5wvHvY\">SqueezeNet<\/a><\/noindex> \u2013 un r\u00e9seau de neurones tr\u00e8s compact mais pr\u00e9cis. Par lui-m\u00eame, il ne r\u00e9sout pas la t\u00e2che de d\u00e9tection d'objets. Toutefois, il peut \u00eatre utilis\u00e9 en combinaison avec diff\u00e9rentes architectures. Et \u00eatre utilis\u00e9 sur des appareils mobiles. Sa caract\u00e9ristique distinctive est que les donn\u00e9es sont d'abord comprim\u00e9es \u00e0 quatre filtres convolutifs 1\u00d71, puis \u00e9tendues \u00e0 quatre filtres 1\u00d71 et quatre filtres 3\u00d73. Une telle it\u00e9ration de compression-extension des donn\u00e9es est appel\u00e9e \u00ab Fire Module \u00bb.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/b6jhopSMit8\">DeepLab<\/a><\/noindex> (Segmentation s\u00e9mantique d'image avec des r\u00e9seaux de neurones convolutifs profonds) \u2013 segmentation d'objets dans une image. La particularit\u00e9 de l'architecture est la convolution dilat\u00e9e, qui pr\u00e9serve la r\u00e9solution spatiale. Ensuite, une \u00e9tape de post-traitement des r\u00e9sultats est r\u00e9alis\u00e9e \u00e0 l'aide d'un mod\u00e8le probabiliste graphique, ce qui permet d'\u00e9liminer de petites bruits dans la segmentation et d'am\u00e9liorer la qualit\u00e9 de l'image segment\u00e9e. Derri\u00e8re le terme \u00ab mod\u00e8le probabiliste graphique \u00bb se cache un simple filtre gaussien, qui est approxim\u00e9 sur cinq points.<\/li>\n<li>J'ai essay\u00e9 de comprendre le fonctionnement <noindex><a rel=\"nofollow\" href=\"https:\/\/arxiv.org\/abs\/1711.06897\">RefineDet<\/a><\/noindex> (Single-Shot <strong>Refine<\/strong>ment Neural Network for Object <strong>Det<\/strong>ection), mais je n'ai pas compris grand-chose.<\/li>\n<li>J'ai aussi regard\u00e9 comment fonctionne la technologie de l'\u00ab attention \u00bb (attention) : <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/W2rWgXJBZhU\">vid\u00e9o1<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/iDulhoQ2pro\">vid\u00e9o2<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/H6Qiegq_36c\">vid\u00e9o3<\/a><\/noindex>. La particularit\u00e9 de l'architecture \u00ab attention \u00bb est la d\u00e9tection automatique des r\u00e9gions d'attention accrue dans l'image (RoI, <strong>R<\/strong>egions <strong>o<\/strong>f <strong>I<\/strong>nterest) \u00e0 l'aide d'un r\u00e9seau de neurones appel\u00e9 Attention Unit. Les r\u00e9gions d'attention accrue ressemblent \u00e0 des r\u00e9gions d\u00e9limit\u00e9es mais, contrairement \u00e0 celles-ci, ne sont pas fig\u00e9es dans l'image et peuvent avoir des bords flous. Ensuite, des caract\u00e9ristiques (features) sont extraites des r\u00e9gions d'attention accrue et \u00ab nourries \u00bb \u00e0 des r\u00e9seaux de neurones r\u00e9currents avec des architectures <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/5lUUrREboSk\">LSDM, GRU ou Vanilla RNN<\/a><\/noindex>. Les r\u00e9seaux de neurones r\u00e9currents peuvent analyser les relations entre les caract\u00e9ristiques dans une s\u00e9quence. Initialement, les r\u00e9seaux de neurones r\u00e9currents \u00e9taient utilis\u00e9s pour traduire des textes dans d'autres langues, et maintenant ils le sont aussi pour traduire <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/e-WB4lfg30M\">des images en texte<\/a><\/noindex> et <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/rAbhypxs1qQ\">du texte en image<\/a><\/noindex>.<\/li>\n<\/ul>\n<p><\/p>\n<p>En \u00e9tudiant ces architectures <strong>j'ai compris que je ne comprenais rien.<\/strong>. Et ce n'est pas que mon r\u00e9seau de neurones ait des probl\u00e8mes avec le m\u00e9canisme d'attention. La cr\u00e9ation de toutes ces architectures ressemble \u00e0 un \u00e9norme hackathon, o\u00f9 les auteurs se livrent \u00e0 des hacks. Hack est une solution rapide \u00e0 un probl\u00e8me logiciel difficile. Cela signifie qu'il n'y a pas de lien logique visible et compr\u00e9hensible entre toutes ces architectures. Tout ce qui les relie est un ensemble de hacks r\u00e9ussis qu'ils empruntent les uns aux autres, plus une op\u00e9ration de convolution r\u00e9troactive commune \u00e0 tous <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/Ilg3gGewQ5U\">(r\u00e9tropropagation de l'erreur). Il n'y a pas de<\/a><\/noindex> pens\u00e9e syst\u00e9mique <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/272473\/\">! Il n'est pas clair ce qu'il faut changer et comment optimiser les r\u00e9alisations existantes.<\/a><\/noindex>! Il n'est pas clair ce qu'il faut changer et comment optimiser les r\u00e9alisations existantes.<\/p>\n<p><\/p>\n<p>En raison de l'absence de lien logique entre les hacks, il est extr\u00eamement difficile de les m\u00e9moriser et de les appliquer dans la pratique. Ce sont des connaissances fragment\u00e9es. Dans le meilleur des cas, quelques moments int\u00e9ressants et inattendus sont m\u00e9moris\u00e9s, mais la plupart des \u00e9l\u00e9ments compris ou incompris disparaissent de la m\u00e9moire au bout de quelques jours. Il serait d\u00e9j\u00e0 bien si au bout d'une semaine on se souvenait au moins du nom de l'architecture. Pourtant, plusieurs heures, voire plusieurs jours de temps de travail ont \u00e9t\u00e9 consacr\u00e9s \u00e0 la lecture d'articles et au visionnage de vid\u00e9os d'introduction !<\/p>\n<p><\/p>\n<p><img decoding=\"async\" alt=\"R\u00e9seaux neuronaux. O\u00f9 cela nous m\u00e8ne-t-il ?\" src=\"\/wp-content\/uploads\/2020\/01\/86f0f24e3be1d0f1a210f3132897d981.png\" style=\"display:block;margin: 0 auto;\" \/><\/p>\n<p><\/p>\n<p>Figure 2 \u2013 <noindex><a rel=\"nofollow\" href=\"https:\/\/www.asimovinstitute.org\/neural-network-zoo\/\">Le zoo des r\u00e9seaux neuronaux<\/a><\/noindex><\/p>\n<p><\/p>\n<p>La plupart des auteurs d'articles scientifiques, \u00e0 mon avis personnel, font tout pour que m\u00eame ces connaissances fragment\u00e9es ne soient pas comprises par le lecteur. Mais les participes pr\u00e9sents dans des phrases de dix lignes avec des formules tir\u00e9es \u00ab du plafond \u00bb \u2013 c'est un sujet pour un article \u00e0 part (probl\u00e8me <noindex><a rel=\"nofollow\" href=\"https:\/\/en.wikipedia.org\/wiki\/Publish_or_perish\">publish or perish<\/a><\/noindex>).<\/p>\n<p><\/p>\n<p>Pour cette raison, il est devenu n\u00e9cessaire de syst\u00e9matiser l'information sur les r\u00e9seaux de neurones et, de cette mani\u00e8re, d'augmenter la qualit\u00e9 de la compr\u00e9hension et de la m\u00e9morisation. Ainsi, le sujet principal de l'analyse de certaines technologies et architectures des r\u00e9seaux neuronaux artificiels est devenu la t\u00e2che suivante : <strong>savoir o\u00f9 tout cela va<\/strong>, et non le fonctionnement d'un r\u00e9seau neuronal particulier.<\/p>\n<p><\/p>\n<p>O\u00f9 tout cela va. Principaux r\u00e9sultats :<\/p>\n<p><\/p>\n<ul>\n<li>Le nombre de startups dans le domaine de l'apprentissage automatique a chut\u00e9 de fa\u00e7on drastique ces deux derni\u00e8res ann\u00e9es <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/recognitor\/blog\/455676\/\">fortement diminu\u00e9<\/a><\/noindex>. Une raison possible : \u00ab les r\u00e9seaux neuronaux ne sont plus quelque chose de nouveau \u00bb.<\/li>\n<li>Chacun pourra cr\u00e9er un r\u00e9seau neuronal fonctionnel pour r\u00e9soudre une t\u00e2che simple. Pour cela, il prendra un mod\u00e8le pr\u00eat \u00e0 l'emploi dans le \u00ab zoo de mod\u00e8les \u00bb (model zoo) et entra\u00eenera la derni\u00e8re couche du r\u00e9seau neuronal (<noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/yofjFQddwHE\">transfer learning<\/a><\/noindex>) sur des donn\u00e9es pr\u00eates provenant de <noindex><a rel=\"nofollow\" href=\"https:\/\/toolbox.google.com\/datasetsearch\">Google Dataset Search<\/a><\/noindex> ou de <noindex><a rel=\"nofollow\" href=\"https:\/\/www.kaggle.com\/datasets\">25 000 ensembles de donn\u00e9es Kaggle<\/a><\/noindex> dans le cloud gratuit <noindex><a rel=\"nofollow\" href=\"https:\/\/www.dataschool.io\/cloud-services-for-jupyter-notebook\/\">Jupyter Notebook<\/a><\/noindex>.<\/li>\n<li>Les grands fabricants de r\u00e9seaux neuronaux ont commenc\u00e9 \u00e0 cr\u00e9er <strong>des \u00ab zoos de mod\u00e8les \u00bb<\/strong> (model zoo). Gr\u00e2ce \u00e0 eux, on peut rapidement cr\u00e9er une application commerciale : <noindex><a rel=\"nofollow\" href=\"https:\/\/tfhub.dev\/\">TF Hub<\/a><\/noindex> pour TensorFlow, <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/open-mmlab\/mmdetection\">MMDetection<\/a><\/noindex> pour PyTorch, <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/facebookresearch\/Detectron\">Detectron<\/a><\/noindex> pour Caffe2, <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/wkentaro\/chainer-modelzoo\">chainer-modelzoo<\/a><\/noindex> pour Chainer et <noindex><a rel=\"nofollow\" href=\"https:\/\/modelzoo.co\/\">autres<\/a><\/noindex>.<\/li>\n<li>R\u00e9seaux neuronaux fonctionnant en <strong>temps r\u00e9el<\/strong> (real-time) sur des appareils mobiles. De 10 \u00e0 50 images par seconde.<\/li>\n<li>Utilisation des r\u00e9seaux neuronaux dans les t\u00e9l\u00e9phones (TF Lite), dans les navigateurs (TF.js) et dans <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/19ZNz2N79u4\">des objets du quotidien<\/a><\/noindex> (IoT, <strong>I<\/strong>Internet <strong>o<\/strong>f <strong>des<\/strong>Choses). En particulier dans les t\u00e9l\u00e9phones qui prennent d\u00e9j\u00e0 en charge les r\u00e9seaux neuronaux au niveau \u00ab mat\u00e9riel \u00bb (acc\u00e9l\u00e9rateurs neuronaux).<\/li>\n<li>\u00abChaque appareil, vos v\u00eatements et peut-\u00eatre m\u00eame la nourriture auront <strong>une adresse IP-v6<\/strong> et communiqueront entre eux\u00bb \u2013 <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/GG7H8Xa4m8I?t=85\">Sebastian Thrun<\/a><\/noindex>.<\/li>\n<li>La croissance des publications sur l'apprentissage automatique a commenc\u00e9 <noindex><a rel=\"nofollow\" href=\"http:\/\/data-mining.philippe-fournier-viger.com\/too-many-machine-learning-papers\">\u00e0 d\u00e9passer la loi de Moore<\/a><\/noindex> (doublement tous les deux ans) depuis 2015. Il est \u00e9vident que des r\u00e9seaux neuronaux sont n\u00e9cessaires pour analyser les articles.<\/li>\n<li>Les technologies suivantes gagnent en popularit\u00e9 :\n<ul>\n<li><strong>PyTorch<\/strong> \u2013 la popularit\u00e9 augmente rapidement et semble d\u00e9passer TensorFlow.<\/li>\n<li>Ajustement automatique des hyperparam\u00e8tres <strong>AutoML<\/strong> \u2013 la popularit\u00e9 augmente lentement.<\/li>\n<li>Diminution progressive de la pr\u00e9cision et augmentation de la vitesse de calcul : <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/rln_kZbYaWc\">logique floue<\/a><\/noindex>, algorithmes <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/MIPkK5ZAsms\">de boosting<\/a><\/noindex>, calculs imprecis (approximatifs), quantification (lorsque les poids du r\u00e9seau neuronal sont convertis en nombres entiers et quantifi\u00e9s), neuroacc\u00e9l\u00e9rateurs.<\/li>\n<li>Traduction <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/e-WB4lfg30M\">des images en texte<\/a><\/noindex> et <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/rAbhypxs1qQ\">du texte en image<\/a><\/noindex>.<\/li>\n<li>Cr\u00e9ation <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/OrHLacCDZVQ\">d'objets 3D \u00e0 partir de vid\u00e9os<\/a><\/noindex>, d\u00e9sormais en temps r\u00e9el.<\/li>\n<li>L'essentiel en DL, c'est beaucoup de donn\u00e9es, mais les collecter et les annoter n'est pas facile. C'est pourquoi l'automatisation de l'annotation se d\u00e9veloppe (<noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/NcKTn4C91Yc\">automated annotation<\/a><\/noindex>) pour les r\u00e9seaux neuronaux \u00e0 l'aide de r\u00e9seaux neuronaux.<\/li>\n<\/ul>\n<\/li>\n<li>Avec les r\u00e9seaux neuronaux, l'informatique est soudainement devenue <strong>une science exp\u00e9rimentale<\/strong> et un <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/480348\">crise de reproductibilit\u00e9<\/a><\/noindex>.<\/li>\n<li>L'argent IT et la popularit\u00e9 des r\u00e9seaux neuronaux sont apparus simultan\u00e9ment, lorsque le calcul est devenu une valeur marchande. L'\u00e9conomie passant du mon\u00e9taire \u00e0 la <strong>mon\u00e9taire-computationnelle.<\/strong>. Consultez mon article sur <noindex><a rel=\"nofollow\" href=\"https:\/\/ru.wikipedia.org\/wiki\/%D0%AD%D0%BA%D0%BE%D0%BD%D0%BE%D1%84%D0%B8%D0%B7%D0%B8%D0%BA%D0%B0\">l'\u00e9conophysique<\/a><\/noindex> et la raison de l'apparition de l'argent IT.<\/li>\n<\/ul>\n<p><\/p>\n<p>Une nouvelle <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/481844\">m\u00e9thodologie de programmation ML\/DL<\/a><\/noindex> (Machine Learning &amp; Deep Learning), qui repose sur la repr\u00e9sentation d'un programme comme un ensemble de mod\u00e8les neuronaux entra\u00een\u00e9s.<\/p>\n<p><\/p>\n<p><img decoding=\"async\" alt=\"R\u00e9seaux neuronaux. O\u00f9 cela nous m\u00e8ne-t-il ?\" src=\"\/wp-content\/uploads\/2020\/01\/17df76a613191522145abeba177c2685.png\" style=\"display:block;margin: 0 auto;\" \/><\/p>\n<p><\/p>\n<p>Figure 3 \u2013 ML\/DL comme nouvelle m\u00e9thodologie de programmation<\/p>\n<p><\/p>\n<p>Cependant, il n'est toujours pas apparu <strong>\u00abth\u00e9orie des r\u00e9seaux neuronaux\u00bb<\/strong>, dans le cadre de laquelle on peut penser et travailler de mani\u00e8re syst\u00e9matique. Ce qui est appel\u00e9 \u00abth\u00e9orie\u00bb est en r\u00e9alit\u00e9 des algorithmes exp\u00e9rimentaux et heuristiques.<\/p>\n<p><\/p>\n<p>Liens vers mes ressources et d'autres :<\/p>\n<p><\/p>\n<ul>\n<li>Newsletter sur le Data Science. Principalement sur le traitement d'images. Ceux qui souhaitent recevoir peuvent envoyer un e-mail (foobar167&lt;ouf-ouf&gt;gmail&lt;point&gt;com). Les liens vers des articles et vid\u00e9os sont envoy\u00e9s au fur et \u00e0 mesure de l'accumulation de mat\u00e9riel.<\/li>\n<li>Liste g\u00e9n\u00e9rale <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/foobar167\/articles\/blob\/master\/Machine_Learning\/courses_on_machine_learning.md\">de cours et d'articles<\/a><\/noindex>, que j'ai suivis et que j'aimerais suivre.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/foobar167\/articles\/blob\/master\/Ubuntu\/13_Keras_and_TensorFlow_how-tos.md#exercises\">Cours et vid\u00e9os pour d\u00e9butants<\/a><\/noindex>, par o\u00f9 commencer pour \u00e9tudier les r\u00e9seaux neuronaux. Plus une brochure <noindex><a rel=\"nofollow\" href=\"https:\/\/foobar167.github.io\/page\/vvedeniye-v-mashinnoye-obucheniye-i-iskusstvennyye-neyronnyye-seti.html\">\u00abIntroduction \u00e0 l'apprentissage automatique et aux r\u00e9seaux neuronaux artificiels\u00bb<\/a><\/noindex>.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/foobar167\/articles\/blob\/master\/Ubuntu\/13_Keras_and_TensorFlow_how-tos.md#tools\">Outils utiles<\/a><\/noindex>, o\u00f9 chacun peut trouver quelque chose d'int\u00e9ressant pour lui.<\/li>\n<li>Les <strong>cha\u00eenes vid\u00e9o sur l'analyse des articles scientifiques<\/strong> sur la Data Science se sont r\u00e9v\u00e9l\u00e9es extr\u00eamement utiles. Trouvez-les, abonnez-vous et partagez les liens avec vos coll\u00e8gues et moi aussi. Exemples :\n<ul>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/www.youtube.com\/user\/keeroyz\">Two Minute Papers<\/a><\/noindex><\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/www.youtube.com\/channel\/UCHB9VepY6kYvZjj0Bgxnpbw\">Henry AI Labs<\/a><\/noindex><\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/www.youtube.com\/channel\/UCZHmQk67mSJgfCCTn7xBfew\">Yannic Kilcher<\/a><\/noindex><\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/www.youtube.com\/channel\/UC5_6ZD6s8klmMu9TXEB_1IA\">CodeEmporium<\/a><\/noindex><\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/www.dlology.com\">Blog de Chengwei Zhang<\/a><\/noindex> aka <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/Tony607\">Tony607<\/a><\/noindex> avec des instructions \u00e9tape par \u00e9tape et du code source ouvert.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<p><\/p>\n<p>Merci de votre attention !<\/p>\n<p>Source : <a content=\"nofollow\" rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/482794\/\">habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"<p>\u0421\u0442\u0430\u0442\u044c\u044f \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0438\u0437 \u0434\u0432\u0443\u0445 \u0447\u0430\u0441\u0442\u0435\u0439: \u041a\u0440\u0430\u0442\u043a\u043e\u0435 \u043e\u043f\u0438\u0441\u0430\u043d\u0438\u0435 \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440 \u0441\u0435\u0442\u0435\u0439 \u043f\u043e \u043e\u0431\u043d\u0430\u0440\u0443\u0436\u0435\u043d\u0438\u044e \u043e\u0431\u044a\u0435\u043a\u0442\u043e\u0432 \u043d\u0430 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0438 \u0438 \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 \u0441 \u0441\u0430\u043c\u044b\u043c\u0438 \u043f\u043e\u043d\u044f\u0442\u043d\u044b\u043c\u0438 \u0434\u043b\u044f \u043c\u0435\u043d\u044f \u0441\u0441\u044b\u043b\u043a\u0430\u043c\u0438 \u043d\u0430 \u0440\u0435\u0441\u0443\u0440\u0441\u044b. \u0421\u0442\u0430\u0440\u0430\u043b\u0441\u044f \u0432\u044b\u0431\u0438\u0440\u0430\u0442\u044c \u0432\u0438\u0434\u0435\u043e \u043f\u043e\u044f\u0441\u043d\u0435\u043d\u0438\u044f \u0438 \u0436\u0435\u043b\u0430\u0442\u0435\u043b\u044c\u043d\u043e \u043d\u0430 \u0440\u0443\u0441\u0441\u043a\u043e\u043c \u044f\u0437\u044b\u043a\u0435. \u0412\u0442\u043e\u0440\u0430\u044f \u0447\u0430\u0441\u0442\u044c \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0432 \u043f\u043e\u043f\u044b\u0442\u043a\u0435 \u043e\u0441\u043e\u0437\u043d\u0430\u0442\u044c \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0435 \u0440\u0430\u0437\u0432\u0438\u0442\u0438\u044f \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440 \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u044b\u0445 \u0441\u0435\u0442\u0435\u0439. \u0418 \u0442\u0435\u0445\u043d\u043e\u043b\u043e\u0433\u0438\u0439 \u043d\u0430 \u0438\u0445 \u043e\u0441\u043d\u043e\u0432\u0435. \u0420\u0438\u0441\u0443\u043d\u043e\u043a 1 \u2013 \u041f\u043e\u043d\u0438\u043c\u0430\u0442\u044c [&hellip;]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[702],"tags":[],"class_list":["post-54780","post","type-post","status-publish","format-standard","hentry","category-news"],"aioseo_notices":[],"aioseo_head":"\n\t\t<!-- All in One SEO 5.0.2 - aioseo.com -->\n\t<meta name=\"description\" content=\"\u0421\u0442\u0430\u0442\u044c\u044f \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0438\u0437 \u0434\u0432\u0443\u0445 \u0447\u0430\u0441\u0442\u0435\u0439: \u041a\u0440\u0430\u0442\u043a\u043e\u0435 \u043e\u043f\u0438\u0441\u0430\u043d\u0438\u0435 \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440 \u0441\u0435\u0442\u0435\u0439 \u043f\u043e \u043e\u0431\u043d\u0430\u0440\u0443\u0436\u0435\u043d\u0438\u044e \u043e\u0431\u044a\u0435\u043a\u0442\u043e\u0432 \u043d\u0430 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0438 \u0438 \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 \u0441 \u0441\u0430\u043c\u044b\u043c\u0438 \u043f\u043e\u043d\u044f\u0442\u043d\u044b\u043c\u0438 \u0434\u043b\u044f \u043c\u0435\u043d\u044f \u0441\u0441\u044b\u043b\u043a\u0430\u043c\u0438 \u043d\u0430 \u0440\u0435\u0441\u0443\u0440\u0441\u044b.\" \/>\n\t<meta name=\"robots\" content=\"max-image-preview:large\" \/>\n\t<meta name=\"author\" content=\"Yuri Gagarin\"\/>\n\t<link rel=\"canonical\" href=\"https:\/\/prohoster.info\/fr\/blog\/news\/nejroseti-kuda-eto-vse-dvizhetsya\" \/>\n\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.2\" \/>\n\t\t<meta property=\"og:locale\" content=\"fr_FR\" \/>\n\t\t<meta property=\"og:site_name\" content=\"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b\" \/>\n\t\t<meta property=\"og:type\" content=\"article\" \/>\n\t\t<meta property=\"og:title\" content=\"\ud83e\udd47\u041d\u0435\u0439\u0440\u043e\u0441\u0435\u0442\u0438. \u041a\u0443\u0434\u0430 \u044d\u0442\u043e \u0432\u0441\u0435 \u0434\u0432\u0438\u0436\u0435\u0442\u0441\u044f | ProHoster\" \/>\n\t\t<meta property=\"og:description\" content=\"\u0421\u0442\u0430\u0442\u044c\u044f \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0438\u0437 \u0434\u0432\u0443\u0445 \u0447\u0430\u0441\u0442\u0435\u0439: \u041a\u0440\u0430\u0442\u043a\u043e\u0435 \u043e\u043f\u0438\u0441\u0430\u043d\u0438\u0435 \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440 \u0441\u0435\u0442\u0435\u0439 \u043f\u043e \u043e\u0431\u043d\u0430\u0440\u0443\u0436\u0435\u043d\u0438\u044e \u043e\u0431\u044a\u0435\u043a\u0442\u043e\u0432 \u043d\u0430 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0438 \u0438 \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 \u0441 \u0441\u0430\u043c\u044b\u043c\u0438 \u043f\u043e\u043d\u044f\u0442\u043d\u044b\u043c\u0438 \u0434\u043b\u044f \u043c\u0435\u043d\u044f \u0441\u0441\u044b\u043b\u043a\u0430\u043c\u0438 \u043d\u0430 \u0440\u0435\u0441\u0443\u0440\u0441\u044b.\" \/>\n\t\t<meta property=\"og:url\" content=\"https:\/\/prohoster.info\/fr\/blog\/news\/nejroseti-kuda-eto-vse-dvizhetsya\" \/>\n\t\t<meta property=\"og:image\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:secure_url\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:width\" content=\"350\" \/>\n\t\t<meta property=\"og:image:height\" content=\"350\" \/>\n\t\t<meta property=\"article:published_time\" content=\"2020-01-03T21:00:00+00:00\" \/>\n\t\t<meta property=\"article:modified_time\" content=\"2020-02-18T11:02:50+00:00\" \/>\n\t\t<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<meta property=\"article:author\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<!-- All in One SEO -->\n\n","aioseo_head_json":{"title":"\ud83e\udd47R\u00e9seaux de neurones. Vers o\u00f9 cela se dirige | ProHoster","description":"L'article se compose de deux parties : Une br\u00e8ve description de certaines architectures de r\u00e9seaux pour la d\u00e9tection d'objets dans des images et la segmentation d'images avec les liens les plus clairs pour moi vers des ressources.","canonical_url":"https:\/\/prohoster.info\/fr\/blog\/news\/nejroseti-kuda-eto-vse-dvizhetsya","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"fr_FR","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47\u041d\u0435\u0439\u0440\u043e\u0441\u0435\u0442\u0438. \u041a\u0443\u0434\u0430 \u044d\u0442\u043e \u0432\u0441\u0435 \u0434\u0432\u0438\u0436\u0435\u0442\u0441\u044f | ProHoster","og:description":"\u0421\u0442\u0430\u0442\u044c\u044f \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0438\u0437 \u0434\u0432\u0443\u0445 \u0447\u0430\u0441\u0442\u0435\u0439: \u041a\u0440\u0430\u0442\u043a\u043e\u0435 \u043e\u043f\u0438\u0441\u0430\u043d\u0438\u0435 \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440 \u0441\u0435\u0442\u0435\u0439 \u043f\u043e \u043e\u0431\u043d\u0430\u0440\u0443\u0436\u0435\u043d\u0438\u044e \u043e\u0431\u044a\u0435\u043a\u0442\u043e\u0432 \u043d\u0430 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0438 \u0438 \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 \u0441 \u0441\u0430\u043c\u044b\u043c\u0438 \u043f\u043e\u043d\u044f\u0442\u043d\u044b\u043c\u0438 \u0434\u043b\u044f \u043c\u0435\u043d\u044f \u0441\u0441\u044b\u043b\u043a\u0430\u043c\u0438 \u043d\u0430 \u0440\u0435\u0441\u0443\u0440\u0441\u044b.","og:url":"https:\/\/prohoster.info\/fr\/blog\/news\/nejroseti-kuda-eto-vse-dvizhetsya","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2020-01-03T21:00:00+00:00","article:modified_time":"2020-02-18T11:02:50+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"54780","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":"2026-01-24 12:43:20","breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-02-28 19:57:38","updated":"2026-01-24 12:43:20","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/posts\/54780","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/comments?post=54780"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/posts\/54780\/revisions"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/media?parent=54780"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/categories?post=54780"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/tags?post=54780"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}