| └── rapport.tex # Fichier source du rapport | └── rapport.tex # Fichier source du rapport | ||||
| ``` | ``` | ||||
| ## To do list | |||||
| ## Emilien | |||||
| Cette partie s'intéresse à l'efficacité de la fonction d'activation snake sur une tâche complexe de machine learning non-périodique. En effet pour que snake soit intéressant il faut qu'elle fasse aussi bien dans la plupart des tâches de ML comme la classification. | |||||
| C'est pourquoi conformément à l'article un réseau de CNN ResNet18 est appliqué sur la base de données ciphar-10. | |||||
| Pour utiliser : | |||||
| Aller dans code/resnet18/ | |||||
| ---> le fichier ResNet18.py est le script POO implémentant le réseau, les classes crées sont : | |||||
| -- ResnetBlock une superclasse dont hérite la classe ResNet18, créant les resblock faisant apportant l'info résiduelle via la fonction call | |||||
| -- ResNet18 qui implémente la structure de couches de convolution | |||||
| Pour faire varier la fonction d'activation --> juste décommenter #tf.nn.relu(x) lignes 44, 54, 84 et commenter x + tf.sin(x)**2 | |||||
| --> le fichier resnet_snake.py est le notebook main python a exectuer faisant l'appel de toutes les fonctions ainsi que de la classe Resnet18 |