Réseau de neurones
Qu’est-ce que Réseau de neurones ?
Un réseau neuronal est un système en couches de connexions mathématiques qui apprend des motifs à partir de données ( comme le cerveau apprend par l'expérience ) et utilise ces motifs pour générer de nouvelles sorties telles que des images, du texte ou de la vidéo.
En un coup d’œil
- Aussi appelé
- Réseau neuronal artificiel (ANN)Réseau neuronal profond (DNN)Modèle d'apprentissage profond
- Utilisé pour
- Apprendre des motifs à partir de grands jeux de données pour permettre la prédiction et la générationL'architecture fondamentale de tous les systèmes modernes de génération par IAReconnaissance d'images, traitement du langage naturel, synthèse vocale, IA générative
- Outils courants
- TensorFlowPyTorchTous les modèles de génération par IA (stable diffusion, GPT, CLIP, etc.)
- Termes liés
- Deep learningDiffusion modelTransformerGANTrainingParametersModel
- How it works in simple terms
- Les données entrent dans le réseau, traversent des couches d'unités de traitement interconnectées, chacune les transformant de manière apprise, et une sortie émerge de la couche finale. Pendant l'entraînement, les connexions sont ajustées des millions ou des milliards de fois pour minimiser les erreurs. Après l'entraînement, les connexions ajustées encodent tout ce que le réseau a appris.
- Where you encounter this
- Chaque outil de génération par IA : générateurs d'images, générateurs de vidéo, chatbots, systèmes de synthèse vocale : repose sur un ou plusieurs réseaux neuronaux. Lorsque vous demandez à une IA de générer une image ou une vidéo, vous envoyez une entrée à travers un réseau neuronal qui la transforme en sortie.
Prêt à créer ?
Réalisez des scènes, créez des personnages, livrez des films entiers
Plateforme créative IA tout-en-un, avec une tarification simple et transparente, sans bridage de vitesse, et un Canvas infini pour une créativité maximale.
Comparaison
Compared with related concepts
Les réseaux neuronaux sont souvent opposés à l'apprentissage automatique classique et aux systèmes d'IA fondés sur des règles. Les systèmes fondés sur des règles encodent des règles explicites écrites par l'humain pour produire des sorties ; ils sont transparents et prévisibles, mais fragiles et incapables de gérer la complexité et la variabilité des données du monde réel. L'apprentissage automatique classique utilise des caractéristiques élaborées à la main combinées à un apprentissage statistique. Les réseaux neuronaux, en revanche, apprennent leurs propres représentations directement à partir de données brutes sans ingénierie de caractéristiques, sont capables de bien plus de complexité et de nuance, mais sont aussi moins interprétables et plus gourmands en données. Le succès des réseaux neuronaux par rapport aux approches antérieures est le fondement de la révolution actuelle de la génération par IA.
Imaginez plutôt…
Un réseau neuronal est comme un étudiant qui apprend la musique non pas en étudiant la théorie musicale mais en écoutant des milliers de morceaux et en développant progressivement, par l'exposition et la rétroaction, un sens interne de la structure musicale, du motif et du style qu'il peut ensuite appliquer pour produire une nouvelle musique reflétant tout ce qu'il a absorbé.
Astuce de pro
Lorsqu'un modèle de génération peine systématiquement avec un type de sortie spécifique : esthétiques culturelles inhabituelles, objets rares, styles photographiques particuliers : c'est souvent le signe que ces éléments étaient sous-représentés dans les données d'entraînement du modèle. Plutôt que d'écrire des prompts plus longs et plus insistants sur le même élément, essayez de combiner l'élément sous-représenté avec des points de référence plus communs que le modèle connaît bien ('scène de théâtre Nô traditionnel japonais, agencement spatial similaire à un théâtre à proscenium occidental') pour aider le réseau à relier la requête inhabituelle à ses représentations apprises existantes.
Types et variantes
- Les réseaux neuronaux convolutifs (CNN) sont spécialisés pour les données d'image et spatiales, en utilisant la détection localisée de motifs pour identifier des caractéristiques à plusieurs échelles.
- Les réseaux neuronaux récurrents (RNN) traitent les données séquentielles en maintenant une forme de mémoire à travers les pas de temps.
- Les transformeurs utilisent des mécanismes d'attention pour traiter simultanément les relations entre tous les éléments d'une entrée, ce qui en fait l'architecture dominante pour les modèles de langage et de plus en plus pour la génération d'images et de vidéo.
- Les réseaux antagonistes génératifs (GAN) utilisent deux réseaux concurrents ( un générateur et un discriminateur ) entraînés l'un contre l'autre pour produire des sorties réalistes.
- Les modèles de diffusion utilisent un processus spécifique d'ajout et de suppression de bruit pour générer des données.
- Les auto-encodeurs variationnels (VAE) apprennent des représentations latentes compressées des données.
- La plupart des grands systèmes d'IA modernes combinent plusieurs types d'architectures au sein d'un même système global.
Prêt à créer votre première scène dans Morphic ?
Essayer MorphicCas d’usage courants
- Les réseaux neuronaux sont la technologie sous-jacente de tous les outils de génération par IA utilisés dans la production créative : synthèse d'images, génération vidéo, génération de langage naturel, synthèse vocale, génération musicale, génération de code, reconnaissance et classification d'images, détection d'objets, traduction, résumé, et pratiquement toute autre application de l'apprentissage automatique moderne.
- Comprendre le réseau neuronal comme la base commune de tous ces systèmes aide les créateurs à comprendre pourquoi des principes de prompting similaires s'appliquent souvent à différentes modalités et outils : tous sont des variantes de la même architecture fondamentale d'apprentissage et de reconnaissance de motifs.
Prêt à créer ?
Réalisez des scènes, créez des personnages, livrez des films entiers
Plateforme créative IA tout-en-un, avec une tarification simple et transparente, sans bridage de vitesse, et un Canvas infini pour une créativité maximale.
FAQ
Un réseau neuronal est un système computationnel composé d'unités de traitement en couches (neurones) reliées par des poids numériques, conçu pour apprendre des motifs à partir de données et produire des sorties en appliquant ces motifs appris à de nouvelles entrées. Il s'inspire de la structure des réseaux neuronaux biologiques et constitue l'architecture fondamentale derrière tous les systèmes d'IA modernes, y compris les générateurs d'images, les modèles de langage et les outils de génération vidéo.
Un réseau neuronal apprend par un processus d'entraînement au cours duquel il est exposé à de grandes quantités d'exemples avec des sorties correctes connues. Pendant l'entraînement, les poids ( les valeurs numériques des connexions entre neurones ) sont ajustés de manière itérative par un processus appelé rétropropagation afin de minimiser l'erreur entre les sorties du réseau et les sorties correctes. Après de nombreuses itérations sur de nombreux exemples, les poids encodent des représentations apprises qui permettent au réseau de produire des sorties exactes sur de nouvelles entrées.
Le deep learning désigne spécifiquement les réseaux neuronaux comportant de nombreuses couches cachées : des réseaux 'profonds'. Tous les modèles de deep learning sont des réseaux neuronaux, mais tous les réseaux neuronaux ne sont pas des modèles de deep learning (des réseaux superficiels à peu de couches existent également). En pratique, le terme 'deep learning' est le plus souvent utilisé pour les grands réseaux multi-couches qui alimentent la génération moderne par IA, car c'est leur profondeur qui leur permet d'apprendre les représentations complexes et hiérarchiques nécessaires à des sorties de haute qualité.
Les poids sont les valeurs numériques des connexions entre neurones d'un réseau, ajustées pendant l'entraînement. Paramètres est un terme plus large qui inclut les poids et les biais : toutes les valeurs numériques du réseau apprises pendant l'entraînement. Un grand modèle de langage ou un modèle de génération d'images peut compter des milliards de paramètres, contribuant chacun à la représentation apprise globale du réseau. Après l'entraînement, les paramètres sont fixes et définissent les capacités et les caractéristiques du modèle.
Un transformeur est un type spécifique d'architecture de réseau neuronal qui traite les entrées à l'aide de mécanismes d'attention, lesquels permettent au réseau de considérer simultanément les relations entre tous les éléments d'une entrée plutôt que séquentiellement. Les transformeurs sont l'architecture dominante pour les modèles de langage (GPT, Claude, Gemini) et sont de plus en plus utilisés dans la génération d'images et de vidéo. Ils constituent l'une des variantes architecturales de réseaux neuronaux, distinguée par son approche de traitement fondée sur l'attention.
Les programmes traditionnels suivent des règles explicites écrites par des programmeurs et se limitent à ce que ces règles peuvent gérer. Les réseaux neuronaux apprennent leurs propres règles à partir des données, en développant des représentations internes de motifs complexes qu'il serait impossible aux humains d'écrire explicitement. C'est pourquoi les réseaux neuronaux peuvent reconnaître des visages sur des photos, comprendre le sens des phrases et générer des images photoréalistes : des tâches qui exigent bien plus de nuance et de flexibilité que tout ensemble de règles explicites ne pourrait fournir.
Réseau neuronal et intelligence artificielle sont liés mais non synonymes. L'IA est un domaine large qui englobe de nombreuses approches pour construire des systèmes au comportement intelligent. Les réseaux neuronaux sont une classe d'architecture d'IA : actuellement la dominante pour la plupart des applications d'IA pratiques. Les systèmes d'IA antérieurs utilisaient des approches fondées sur des règles, des algorithmes de recherche et des systèmes experts plutôt que des réseaux neuronaux. La révolution actuelle de la génération par IA est spécifiquement une révolution des réseaux neuronaux, mais l'IA en tant que concept est plus ancienne et plus large.
Le nombre de paramètres est un indicateur approximatif de la capacité représentative d'un réseau : la complexité qu'il peut potentiellement apprendre. Les réseaux plus grands ont généralement une plus grande capacité à représenter des motifs complexes, mais nécessitent aussi davantage de données et de calcul pour s'entraîner efficacement. Cependant, la taille seule ne détermine pas la qualité : l'architecture, la qualité des données d'entraînement, la méthodologie d'entraînement et le domaine de tâche spécifique influencent tous significativement ce qu'un modèle peut faire. Un modèle plus petit entraîné sur d'excellentes données spécifiques à un domaine peut surpasser un modèle généraliste beaucoup plus grand sur des tâches relevant de ce domaine.
