o Yuki

[Erwanrevirand45]

import tensorflow as tf
from tensorflow.keras import layers, models

Charger les données d'entraînement (par exemple, depuis TensorFlow datasets)

(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()

Prétraiter les données

train_images = train_images / 255.0
test_images = test_images / 255.0

Construire le modèle

model = models.Sequential([
layers.Flatten(input_shape=(28, 28)), # Aplatir l'image en une seule dimension
layers.Dense(128, activation='relu'), # Couche cachée avec 128 neurones et activation relu
layers.Dense(10, activation='softmax') # Couche de sortie avec 10 neurones (pour les 10 classes) et activation softmax
])

Compiler le modèle

model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])

Entraîner le modèle

model.fit(train_images, train_labels, epochs=10, validation_data=(test_images, test_labels))

Évaluer le modèle

test_loss, test_acc = model.evaluate(test_images, test_labels)
print('Test accuracy:', test_acc)