Architecture du modèle
Un MLP compact : Flatten(28×28) →
Dense(128, relu) → Dense(64, relu) →
Dense(10, softmax). Optimiseur Adam, perte
entropie croisée catégorielle.
? À quoi ça sert ?
Dessinez un chiffre entre 0 et 9 dans la zone de gauche, cliquez sur le bouton de la classe correspondante pour ajouter votre dessin comme exemple. Après en avoir collecté quelques-uns, lancez l'entraînement : un petit réseau de neurones apprend, en direct, à reconnaître ce que vous considérez comme chacun de ces chiffres.
Le modèle démarre à zéro (poids aléatoires). C'est un exemple pédagogique de fine-tuning : vous constituez votre propre jeu de données, vous voyez la courbe de perte descendre en même temps que la précision monte, puis vous testez le modèle sur un nouveau dessin.
1 Dessiner et étiqueter
Astuce : dessiner épais, centré et gros. Le modèle prend ce qu'il voit.
Ajouter le dessin actuel comme exemple de :
2 Prédiction en direct
Le modèle n'a pas encore été entraîné. Les prédictions ci-dessous seront aléatoires jusqu'à l'entraînement.
Ce que le modèle voit (28×28, centré)
Distribution de probabilité (softmax)
Prédiction : — (confiance —)
Top-3 des candidats : — · — · —
💡 Conseils pour un modèle qui généralise bien :
- viser au moins 5 exemples par classe ;
- varier styles de tracé (fin, épais, penché, arrondi) ;
- varier tailles et positions dans le canvas ;
- garder la case Data augmentation cochée : chaque exemple est multiplié par dix via translation, rotation et zoom aléatoires.
3 Entraînement
Chargement de TensorFlow.js…
⚙️ Paramètres avancés (optionnel)
🎯 Les valeurs affichées ci-dessous sont celles recommandées — calibrées pour donner de bons résultats avec un petit dataset artisanal. Libre à toi d'expérimenter pour comprendre l'effet de chaque paramètre ; le bouton Restaurer ramène la configuration optimale en un clic.
Combien de fois le modèle voit tout le dataset. Trop haut = risque de surapprentissage.
Vitesse d'apprentissage. Trop haut = instable, trop bas = très lent.
Nombre d'exemples traités par étape. Plus grand = plus stable mais moins de mises à jour.
Variantes générées par exemple original (rotation, translation, zoom). Un exemple + N variantes = N+1 vus.
Fraction de neurones désactivés à chaque batch. Régularise contre le surapprentissage.
Nombre de neurones de la première couche dense. Plus grand = plus de capacité, mais plus lent.
Perte (loss) — plus bas = mieux
Précision (accuracy) — plus haut = mieux
Sous le capot
Préparation des données
Chaque dessin est redimensionné à 28×28 en niveaux de gris, normalisé
dans [0, 1] et centré autour du centre de masse. Les
étiquettes sont encodées en one-hot. La data augmentation (activée par
défaut) génère neuf variantes par exemple original avec translation,
rotation et zoom aléatoires — le modèle apprend la forme du chiffre
plutôt que sa position.
Entraînement live
Chaque epoch, TF.js calcule la perte et la précision sur l'ensemble collecté, met à jour les poids par rétropropagation, puis remonte les métriques à l'interface : courbes redessinées à chaud.
RGPD par design
Tout tourne localement. Aucun dessin, exemple ou métrique ne quitte votre onglet. Seule la bibliothèque TF.js est téléchargée depuis un CDN.