version 2.0

Author: arnbod

README.md

@@ -14,7 +14,7 @@ Nouveau !
 
 * Version 2.0. 
 * Inclusions de deux chapitres sur ChatGPT et les  grands modèles de langages.
-* Explciations et scripts sont adaptés à Tensorflow 2.18 et Keras 3.10
+* Explciations et scripts sont adaptés à Tensorflow 2.18 et Keras 3.10.
 
 
 Livre

cover/cover.txt

@@ -35,4 +35,7 @@ taille de coupe 7.5 x 9.25 pouces
 
 Absence de fond perdu
 
-couv brillante
+couv brillante
+
+Il faut applatir le pdf du manuscrit :
+gs -sDEVICE=pdfwrite -dPDFSETTINGS=/default -dNOPAUSE -dQUIET -dBATCH -sOutputFile=livre-deepmath-print-kdp.pdf livre-quantum-print.pdf

livre-deepmath.pdf

@@ -372,7 +372,8 @@ \subsection{Programme}
 modele.add(Dense(1, activation='linear'))
 
 # Méthode de gradient : descente de gradient classique améliorée
-mysgd = optimizers.SGD(learning_rate=0.001, decay=1e-7, momentum=0.9, nesterov=True)
+mysgd = optimizers.SGD(learning_rate=0.001, decay=1e-7, 
+                       momentum=0.9, nesterov=True)
 modele.compile(loss='mean_squared_error', optimizer=mysgd)
 print(modele.summary())
 
@@ -469,11 +470,11 @@ \subsection{Architecture du réseau}
 Avec \tensorflow/\keras, il suffit de déclarer le modèle du réseau en ajoutant une à une les couches.
 \begin{lstlisting} 
 modele = Sequential()
-modele.add(Input(shape=(n,)))                          # entrée de dimension n
-modele.add(Dense(N1, activation='...'))                # première couche
-modele.add(Dense(N2, activation='...'))                # deuxième couche
+modele.add(Input(shape=(n,)))                    # entrée de dimension n
+modele.add(Dense(N1, activation='...'))          # première couche
+modele.add(Dense(N2, activation='...'))          # deuxième couche
 ...
-modele.add(Dense(p, activation='...'))                 # dernière couche
+modele.add(Dense(p, activation='...'))           # dernière couche
 \end{lstlisting}
 On commence par indiquer la dimension des données en entrée par l'instruction \ci{Input(shape=(n,))} où $n$ est la dimension de chaque donnée d'entrée.
 La fonction \ci{add(Dense())} prend en entrée le nombre $N_i$ de neurones sur cette couche, ainsi que la fonction d'activation des neurones de cette couche.

pythonconv/pythonconv.pdf

@@ -130,7 +130,7 @@ \subsection{Programme}
 
 modele.add(Input(shape=(28,28,1)))
 
-# Première couche de convolution : 32 neurones, convolution 3x3, activation relu
+# Première couche de convolution : 32 neurones, conv. 3x3, activ. relu
 modele.add(Conv2D(32, kernel_size=3, padding='same', activation='relu'))
 
 # Deuxième couche de convolution : 16 neurones
@@ -248,7 +248,7 @@ \subsection{Programme}
 # Entrée du réseau : 32x32 pixels, 3 canaux (RGB)
 modele.add(Input(shape=(32,32,3)))
 
-# Première couche de convolution : 64 neurones, convolution 3x3, activation relu
+# Première couche de convolution : 64 neurones, conv. 3x3, activ. relu
 modele.add(Conv2D(64, kernel_size=3, padding='same', activation='relu'))
 
 # Deuxième couche de convolution : 64 neurones
@@ -372,7 +372,8 @@ \subsection{Programme}
 from tensorflow import keras
 from tensorflow.keras import optimizers
 from tensorflow.keras.models import Sequential
-from tensorflow.keras.layers import Input, Dense,Conv2D,Flatten,MaxPooling2D,Dropout
+from tensorflow.keras.layers import Input, Dense, Conv2D, 
+                                    Flatten, MaxPooling2D, Dropout
 from tensorflow.keras.preprocessing.image import ImageDataGenerator
 
 # Partie A. Données
@@ -390,10 +391,10 @@ \subsection{Programme}
 # 0 pour les chats  et 1 pour les chiens 
 train_datagen = ImageDataGenerator(rescale =1./255)
 training_set = train_datagen.flow_from_directory(train_directory,
-                                       target_size=(image_width,image_height),
-                                       batch_size= 32,
-                                       shuffle=True, seed=13,
-                                       class_mode='binary')
+                   target_size=(image_width,image_height),
+                   batch_size= 32,
+                   shuffle=True, seed=13,
+                   class_mode='binary')
 
 # Partie B. Réseau 
 modele = Sequential()