1. Projet IA
Reconnaissance de chiffres manuscrits
29/01/2013
Encadré par Laurent BOUGRAIN
Nicolas DELSAUT, Alexis FOUCHE, Julien GUÉPIN, Tristan STEF
(IL)

2. Perceptron multicouches
Entrées : Couche de sortie :
Couches
valeur de discrimination =>
cachées
chaque pixel classe majoritaire
w1
w2 .
. .
. .
.
.
.
.
.
.
. .
. .
. . .
. .
. wn
2/7

3. Activation
w1
.
. .
. .
.
Sortie = activation( sum{i} (Wi * entrée i) )
w2
.
. .
. .
.
.
.
. wn

4. Rétropropagation du gradient de
l'erreur
derivate_activation( sum{i}( wi * erreur i) ) wi, erreur i
derivate_activation( sum{i}( goal - last output ) )
wj, erreur j

5. Stratégie adoptée
Réseau de neurones à simple couche ou
couche(s) cachée(s)
Apprentissage avec 500 itérations sur 60 000
échantillons
Coefficient d'apprentissage et momentum
paramètrables

6. Implémentation
Projet développé en Java
Réseau de neurone :
Entrées = valeur de chaque pixel d'une image
Sorties = chiffre représenté
Interface graphique, apprentissage dans un
thread, dessin de caractères, ...

7. Conclusion
Perceptron une couche cachée plus performant
mais apprentissage plus long que perceptron
simple couche
Améliorations possibles :
● Batterie de tests pour trouver les valeurs
optimales, enregistrement des valeurs
● Reconnaissance de tous les caractères