Concept

Keras

Keras est une bibliothèque open source écrite en python. La bibliothèque Keras permet d'interagir avec les algorithmes de réseaux de neurones profonds et d'apprentissage automatique, notamment Tensorflow, Theano, Microsoft Cognitive Toolkit ou PlaidML. Conçue pour permettre une expérimentation rapide avec les réseaux de neurones profonds, elle se concentre sur son ergonomie, sa modularité et ses capacites d’extension. Elle a été développée dans le cadre du projet ONEIROS (Open-ended Neuro-Electronic Intelligent Robot Operating System). Elle a été initialement écrite par François Chollet.

Source officielle

https://fr.wikipedia.org/wiki/Keras

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Cours associés (8)

EE-608: Deep Learning For Natural Language Processing

This course covers advanced topics in deep learning architectures for natural language processing. The focus is on attention-based architectures, structure processing and variational-Bayesian approaches, and why these models are particularly suited to the ...

MICRO-608: Optical Computing

In this course we will start with a brief history of optical computing, describe methods for implementing optical interconnection and logic and then spend most of our time on learning about the recent efforts in optical computing machines for machine learn ...

MATH-351: Advanced numerical analysis II

The student will learn state-of-the-art algorithms for solving differential equations. The analysis and implementation of these algorithms will be discussed in some detail. ...

Afficher plus

Séances de cours associées (25)

Réseaux neuronaux : formation et activation

Explore les réseaux neuronaux, les fonctions d'activation, la rétropropagation et l'implémentation de PyTorch.

Optimisation des réseaux neuraux

Explore l'optimisation des réseaux neuronaux, y compris la rétropropagation, la normalisation des lots, l'initialisation du poids et les stratégies de recherche d'hyperparamètres.

NFNets: Suppression du batchNorm pour la reconnaissance de l'image à haut rendement

Explore NFNets comme une alternative au BatchNorm dans ResNets, en obtenant des performances élevées sur ImageNet.

Afficher plus

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Source officielle

https://fr.wikipedia.org/wiki/Keras

À propos de ce résultat

Cours associés (8)

EE-608: Deep Learning For Natural Language Processing

MICRO-608: Optical Computing

MATH-351: Advanced numerical analysis II

The student will learn state-of-the-art algorithms for solving differential equations. The analysis and implementation of these algorithms will be discussed in some detail. ...

Afficher plus

Séances de cours associées (25)

Réseaux neuronaux : formation et activation

Explore les réseaux neuronaux, les fonctions d'activation, la rétropropagation et l'implémentation de PyTorch.

Optimisation des réseaux neuraux

Explore l'optimisation des réseaux neuronaux, y compris la rétropropagation, la normalisation des lots, l'initialisation du poids et les stratégies de recherche d'hyperparamètres.

NFNets: Suppression du batchNorm pour la reconnaissance de l'image à haut rendement

Explore NFNets comme une alternative au BatchNorm dans ResNets, en obtenant des performances élevées sur ImageNet.

Afficher plus

Publications associées (5)

Revisiting PSF models: theory and implementation

Michaël Unser, Daniel Sage

We present a unifying framework for point-spread function (PSF) models in high-numerical-aperture optical microscopy. Starting from the Richards-Wolf integral, we demonstrate the mathematical equivalence between Fourier-based and Bessel-based approaches as alternative parameterizations of the same propagation integral. This framework enables us to generalize correction factors such as Gibson-Lanni aberrations, apodisation, and arbitrary phase masks to both scalar and vectorial models. We provide an open-sou

SPIE Europe2026

Stable speech BCI performance during slow progression of ALS: A longitudinal ECoG study

Background Electrocorticographic (ECoG) speech brain-computer interfaces (BCIs) show promise for restoring communication in amyotrophic lateral sclerosis (ALS), but the long-term stability of speech-related neural signals and decoding performance during disease progression remains unclear. We tracked signal characteristics and decoding over 25 months in a participant with ALS to determine how high-gamma (HG, 70–170 Hz) activity changes over time and whether these changes affect offline speech decoding. Meth

Research Square Platform LLC2026

Time series saliency maps: Explaining models across multiple domains

Traditional saliency map methods, popularized in computer vision, highlight individual points (pixels) of the input that contribute the most to the model's output. However, in time-series they offer limited insights as semantically meaningful features are often found in other domains. We introduce Cross-domain Integrated Gradients, a generalization of Integrated Gradients. Our method enables feature attributions on any domain that can be formulated as an invertible, differentiable transformation of the time

arXiv2025

Afficher plus

Personnes associées (2)

Sébastien Marcel

Enseignement et PhD Doctorant·es actuel·les Parsa Rahimi Noshanagh A co-dirigé les thèses EPFL de Fabien Cardinaux, Yann Rodriguez, Agnès Just, Guillaume Heusch, Anindya Roy, Venkatesh Bala Subburaman, Cosmin Atanasoaei, Laurent El Shafey, Ivana Chingovska, Tiago De Freitas Pereira, Amir Mohammadi, Alexander Unnervik, Hatef Otroshi Shahreza

Olga Fink

Enseignement et PhD Doctorant·es actuel·les Han Sun, Leandro Von Krannichfeldt, Keivan Faghih Niresi, Zepeng Zhang, Vinay Sharma, Chenghao Xu, Raffael Pascal Theiler, Kevin Antonio Steiner, Sergei Garmaev, Amaury Wei A dirigé les thèses EPFL de Ismail Nejjar, Mengjie Zhao Cours Data Science for infrastructure condition monitoring CIVIL-332 Le cours couvrira les étapes pertinentes de la surveillance de l'état des infrastructures basée sur les données: l'acquisition des données, en passant p

Concepts associés (4)

Deeplearning4j

Eclipse Deeplearning4j is a programming library written in Java for the Java virtual machine (JVM). It is a framework with wide support for deep learning algorithms. Deeplearning4j includes implementations of the restricted Boltzmann machine, deep belief net, deep autoencoder, stacked denoising autoencoder and recursive neural tensor network, word2vec, doc2vec, and GloVe. These algorithms all include distributed parallel versions that integrate with Apache Hadoop and Spark.

Tensor Processing Unit

vignette|Un Tensor Processing Unit 3.0 datant de mai 2016 Un Tensor Processing Unit (TPU, unité de traitement de tenseur) est un circuit intégré spécifique pour une application (ASIC), développé par Google spécifiquement pour accélérer les systèmes d'intelligence artificielle par réseaux de neurones. Les TPU ont été annoncés en 2016 au Google I/O, lorsque la société a déclaré les utiliser dans leurs centres de données depuis plus d'un an.

Réseau neuronal convolutif

En apprentissage automatique, un réseau de neurones convolutifs ou réseau de neurones à convolution (en anglais CNN ou ConvNet pour convolutional neural networks) est un type de réseau de neurones artificiels acycliques (feed-forward), dans lequel le motif de connexion entre les neurones est inspiré par le cortex visuel des animaux. Les neurones de cette région du cerveau sont arrangés de sorte qu'ils correspondent à des régions qui se chevauchent lors du pavage du champ visuel.

Afficher plus