
Un réseau de neurones avec plusieurs couches cachées, capable d'apprendre des motifs complexes à partir de données.Un réseau de neurones profond est un modèle d'intelligence artificielle composé de plusieurs couches de nœuds interconnectés (neurones), chaque couche transformant les données d'entrée en représentations de plus en plus abstraites. Le terme « profond » fait référence aux nombreuses couches cachées entre l'entrée et la sortie, qui permettent au réseau d'apprendre des caractéristiques hiérarchiques — des bords simples dans les images aux objets complexes, ou des phonèmes aux phrases complètes dans la parole.
Le concept d'architectures profondes remonte aux années 1960 avec le perceptron, mais l'entraînement de réseaux profonds était impractical jusqu'aux années 2000, lorsque des techniques comme le pré-entraînement par couches et les activations ReLU, ainsi que le calcul sur GPU, ont rendu l'apprentissage profond réalisable. La victoire d'AlexNet en 2012 lors du concours ImageNet a marqué la révolution moderne de l'apprentissage profond.
Chaque neurone d'une couche calcule une somme pondérée de ses entrées, ajoute un biais, et applique une fonction d'activation non linéaire (par exemple, ReLU). Pendant l'entraînement, le réseau ajuste ces poids en utilisant la rétropropagation, qui calcule le gradient d'une fonction de perte par rapport à chaque poids et les met à jour via la descente de gradient. Avec suffisamment de données et de puissance de calcul, le réseau apprend à minimiser les erreurs de prédiction. La structure hiérarchique signifie que les premières couches capturent des caractéristiques de bas niveau, tandis que les couches plus profondes les combinent en concepts de haut niveau.
Les réseaux de neurones profonds sont utilisés dans la reconnaissance d'images, le traitement du langage naturel, la conduite autonome, le diagnostic médical et la recherche scientifique — de la détection des ondes gravitationnelles à la classification des galaxies.
Les réseaux de neurones profonds peuvent être trompés en ajoutant de minuscules perturbations imperceptibles aux images, ce qui les amène à classer un panda comme un gibbon avec une grande confiance — un phénomène appelé exemples adversariaux.









