Deep Learning avec Keras et TensorFlow

4.3 Personnaliser des modèles et entraîner des algorithmes

169

© Dunod – Toute reproduction non autorisée est un délit.

de calculer une approximation de chaque dérivée partielle en mesurant les change-

ments en sortie de la fonction lorsque le paramètre correspondant est ajusté

:

>>> w1, w2 = 5, 3

>>> eps = 1e-6

>>> (f(w1 + eps, w2) - f(w1, w2)) / eps

36.000003007075065

>>> (f(w1, w2 + eps) - f(w1, w2)) / eps

10.000000003174137

Cela semble plutôt bien ! C’est le cas, et la solution est facile à implémenter. Cela

dit, il ne s’agit que d’une approximation et, plus important encore, nous devons

appeler f() au moins une fois par paramètre (non pas deux, car ...