mise en place d'un premier reseau

code/fonctions_activations_classiques/Creation_donnee.py

 import numpy as np
 import math as ma
 len_seq = 10
-def creation_sin(len_seq,tmin,tmax,n,w,a=1,b=0):
+def creation_sin_RNN(len_seq,tmin,tmax,n,w,a=1,b=0):
     
     
     Datax, Datay = [], []
     return(Datax,Datay)
 
 
-def creation_x_sin(len_seq,tmin,tmax,n,w,a=1,b=1,c=0):
+
+
+def creation_x_sin_RNN(len_seq,tmin,tmax,n,w,a=1,b=1,c=0):
     
     
     Datax, Datay = [], []
     
     return(Datax,Datay)
 
-def creation_x_sin2(len_seq,tmin,tmax,n,w,a=1,b=1,c=0):
+def creation_x_sin2_RNN(len_seq,tmin,tmax,n,w,a=1,b=1,c=0):
     
     
     Datax, Datay = [], []
     Datay = np.array(Datay)
     
     
-    return(Datax,Datay)
+    return(Datax,Datay)
+
+
+
+
+def creation_sin(tmin,tmax,n,w,a=1,c=0):
+    Lx=[]
+    t = np.linspace(tmin,tmax,n)
+    for i in t:
+        Lx.append(a*np.sin(w*i)+c)
+        
+    Lx=np.array(Lx)
+    return(t,Lx)
+
+def creation_x_sin(tmin,tmax,n,w,a=1,b=0,c=0):
+    Lx=[]
+    t = np.linspace(tmin,tmax,n)
+    for i in t:
+        Lx.append(a*i+b* np.sin(2*ma.pi*w*i)+c)
+    Lx=np.array(Lx)
+    return(t,Lx)
+
+def creation_x_sin2(tmin,tmax,n,w,a=1,b=1,c=0):
+    Lx=[]
+    t = np.linspace(tmin,tmax,n)
+    for i in t:
+        Lx.append(a*i+b*np.sin(2*ma.pi*w*i)*np.sin(2*ma.pi*w*i)+c)
+    Lx=np.array(Lx)
+    return(t,Lx)
+
+

code/fonctions_activations_classiques/premier_reseau.py

+# -*- coding: utf-8 -*-
+"""
+Created on Wed Nov 10 10:30:04 2021
+
+@author: virgi
+"""
+
+import numpy as np
+import math as ma
+import matplotlib.pyplot as plt
+import tensorflow as tf
+tmin=-20
+tmax=5
+n=100000
+X,Y=creation_sin(tmin,tmax,n,1,a=1,c=0)
+tmin=5
+tmax=20
+Xv,Yv=creation_sin(tmin,tmax,n,1,a=1,c=0)
+
+model = tf.keras.models.Sequential()
+
+model.add(tf.keras.Input(shape=(1,)))
+# une première couche avec deux neurones (couche cachée) avec la fonction sigmoid comme fonction d'activation
+model.add(tf.keras.layers.Dense(64, activation='relu'))
+model.add(tf.keras.layers.Dense(64, activation='relu'))
+model.add(tf.keras.layers.Dense(64, activation='relu'))
+model.add(tf.keras.layers.Dense(64, activation='relu'))
+model.add(tf.keras.layers.Dense(128, activation='relu'))
+# une deuxième couche avec un neurones (couche de sortie) avec la fonction sigmoid comme fonction d'activation
+
+model.add(tf.keras.layers.Dense(1))
+
+
+# Choix de la méthode d'optimisation
+opti=tf.keras.optimizers.Adam()
+# Compilation du graphe et choix de la fonction de coût
+model.compile(opti, loss='mse', metrics=['accuracy'])
+
+
+model.summary()
+
+
+model.fit(X, Y, batch_size=32, epochs=2, shuffle='True',validation_data=(Xv, Yv))
+
+Y_predis=model.predict(X)
+Y_predis_validation=model.predict(Xv)
+
+plt.figure()
+plt.plot(X,Y,label='donnée')
+plt.plot(Xv,Yv,label="validation")
+plt.plot(X,Y_predis,label='prediction sur les donné')
+plt.plot(Xv,Y_predis_validation,label='prediction sur la validation')
+plt.legend()
+plt.show()