[Réseaux de neurones] Où est le VRAI résultat ?

Bonjour,

Je m'interresse depuis peu (hier) aux reseaux de neurones, j'ai vu que le forum possedait un grand notre de billet a ce sujet, j'en ai lu pas mal, mais aucun ne m'a apporte ma reponse.

On a des couches, des donnees d'entrees/sorties dont on se sert pour entrainer le reseau, on peut corriger les poids avec l'erreur calculer et celle qu'on devrait obtenir (backforward propagation). Mais je ne comprends toujours pas qu'elle est la vrai sortie d'un reseau de neurone, je veux dire qu'est-ce que ca produit ? Comment on l'utilise apres l'entrainement ? Dans mon idee, comme un proxy-modele ou une interpolation ca produit une surface de reponse moyennant nos points et on se sert ensuite de cette surface pour de nouvelles inputs et donc on peut generer une nouvelle sortie non connue. C'est pour moi l'idee d'un reseau de neurone, mais ou donc est la surface de reponse sense etre genere apres l'entrainement, la fonction qui a un vecteur d'entre assigne un vecteur de sortie.

En bref comment apres le training on peut se servir du reseau de neurone pour predire ??

Je sais pas si je suis clair ..

Merci a la communaute,
Dje.

Disons que tu as un problème dans lequel il y a N classes possibles.
Dans ton RdN, tu auras N neurons dans la couche de sortie.

Tu entraines ton réseau de neurones <=> jusqu'à convergence, pour chaque instance, tu fais une forward passe, puis la back-propagation pour modifier les poids.

Une fois l'entrainement terminé, tu ne fais plus que des forward passes (plus besoin de la back-propagation puisque l'entraînement est terminé).
Les neurones de la couche de sortie te donne la probabilité d'appartenance pour chaque classe.

Merci Toto,
Ok donc la vrai sortie c'est les poids, qu'ensuite tu réinjectes dans ton réseau de neurone ?! avec tes nouveaux inputs et alors tu obtiens un nouvelle outputs prédictif, ceux pourquoi tu as fait un réseau de neurone.

La sortie, c'est toujours la sortie des neurones couche de sortie/finale.
Les poids servent à faire les calculs.
Ce que tu réinjectes dans ton RdN, c'est l'erreur afin d'ajuster les poids.

Merci Toto,

Ce que je veux clarifier c'est que d'abord on cree le modele de regression grace a des inputs et outputs connu, ce qui va nous donner les poids modifies et la est notre modele.
Qu'on va ensuite utilise, avec un nouveau jeu d'inputs pour deduire des outputs inconnues. Grace au reseau de neurone entraine precedemment et qui nous a fourni le modele (les poids).

Citation:

---

Envoyé par DJEcalcul

Qu'on va ensuite utilise, avec un nouveau jeu d'inputs pour deduire des outputs inconnues.

---

ToTo13 me corrigera, mais moi j'aurais dit dans l'autre sens :

Un nouveau jeu d'input donnera une réponse "connu et égal à..." ou "inconnu"..

C'est le but.

Par exemple en reconnaissance de caractère : on entraîne avec un "A" plus ou moins gros, penché de certains angles, etc..

Puis on présente un "A" quelcquonque, on veut qu'il sorte que c'est bien un "A"...

Je comprends souviron, merci a toi.

Je ne dois pas m'exprimer assez clairement, ce que je ceux dire c'est que apres le training, les poids son LE resultats puisque c'est eux qui vont ensuite nourrir le Reseau et etre utilises pour predire un nouveau output avec un nouveau input.8-)

Un réseau de neurone c'est structure mathématique qui représente une fonction de R^M dans R^N (avec M le nombre de neurones en entréeet N le nombre en sortie).

Le calcul des poids dans le réseau sert a faire converger (au sens mathématique) la fonction représentée vers une fonction voulue (la fonction voulue pouvant être une fonction de classification, une fonction dont a pas une une expression algebrique mais juste une connaissance par l’expérience,...)

Ce calcul des poids n'est qu'une étape (importante, mais qu'une étape) dans la vie du réseau.