Comment installer TensorFlow sur votre ordinateur, étape par étape

Si vous envisagez de vous lancer dans l'apprentissage automatique et l'apprentissage profond , vous rencontrerez tôt ou tard TensorFlow. Il s'agit du framework phare de Google pour la création et l'entraînement de réseaux neuronaux, et la bonne nouvelle est que son installation est aujourd'hui bien plus simple qu'il y a quelques années… à condition de suivre quelques étapes clés et d'utiliser les versions recommandées.

Dans ce guide, je vous expliquerai en détail, sans détour, comment installer correctement TensorFlow sous Linux, macOS, Windows (natif) et WSL2 ; les points importants concernant Python et pip ; comment exploiter le GPU lorsque nécessaire ; et comment configurer un environnement de travail confortable avec des environnements virtuels et des outils comme Visual Studio Code. Vous trouverez également des exemples pour vérifier le bon fonctionnement de l'ensemble et des conseils pratiques qui vous éviteront bien des maux de tête.

Qu'est-ce que TensorFlow et quel est son lien avec Keras ?

Avant de commencer l'installation, il est important de comprendre ce que nous allons créer. TensorFlow est un framework d'apprentissage automatique open source , maintenu par Google, qui permet de définir et d'entraîner des modèles allant de réseaux simples à des architectures profondes très complexes. Il s'intègre parfaitement avec d'autres composants de l'écosystème Google, tels que TensorBoard pour la visualisation ou les TPU dans Colab.

Keras, en revanche, est une API de haut niveau qui simplifie la création de réseaux neuronaux . Au lieu d'utiliser les primitives de bas niveau de TensorFlow pour tout coder, Keras propose des couches, des modèles séquentiels et fonctionnels, ainsi qu'une syntaxe beaucoup plus conviviale pour une utilisation quotidienne. Depuis la version 2.x de TensorFlow, Keras est entièrement intégré au package TensorFlow.

Cela signifie que lorsque vous installez TensorFlow avec pip, Vous n'avez pas besoin d'installer Keras séparément.TensorFlow 2.0 et les versions ultérieures incluent l'implémentation officielle de Keras, accessible via tensorflow.kerasCela réduit les doublons et garantit l'utilisation de versions compatibles.

En pratique, une fois tout installé, vous pouvez travailler de deux manières courantes : Importez l'intégralité de TensorFlow ou seulement les parties dont vous avez besoin.. Par exemple: import tensorflow as tf disposer de l'ensemble du cadre, ou from tensorflow import keras pour se concentrer sur l'API Keras. De plus, il est recommandé d'importer uniquement les classes spécifiques que vous comptez utiliser, telles que : from keras.models import Sequential ou son équivalent en tensorflow.keras, au lieu de charger inutilement le module entier.

Prérequis : installation de Python, pip et TensorFlow

Le premier filtre à vérifier pour un fonctionnement optimal est la version de Python. TensorFlow et Keras requièrent une version relativement récente de Python 3. Les recommandations officielles ont évolué, mais il est aujourd'hui conseillé d'utiliser une version de Python comprise entre 3.9 et 3.11 (et dans les versions antérieures de TensorFlow, les versions 3.6 à 3.8 étaient recommandées ; par exemple, TensorFlow 2.2 exigeait au maximum Python 3.8).

Pour savoir quelle version est installée, ouvrez un terminal ou une console et exécutez :

python3 --version

Le résultat devrait afficher quelque chose comme Python 3.9.7 ou similaireSi vous voyez une version plus ancienne ou si Python 2 est toujours votre système d'exploitation principal, vous devrez : Installez une version moderne de Python 3. depuis le site officiel, un gestionnaire de paquets sur votre système, ou des distributions comme Anaconda/Miniconda, selon le cas.

Outre Python, TensorFlow requiert une version récente de pip , car les anciens gestionnaires de paquets peuvent entraîner des problèmes de dépendances ou ne pas reconnaître certaines options modernes. Vous pouvez mettre à jour pip avec :

python -m pip install --upgrade pip

Concernant le type d'installation, plusieurs options s'offrent à vous. L'option recommandée actuellement est d'utiliser pip et les roues officielles publiées sur PyPI . Certaines distributions Python, comme ActivePython, incluent TensorFlow et des centaines de bibliothèques scientifiques, mais en pratique, la plupart des utilisateurs préfèrent utiliser pip et gérer des environnements virtuels. Sous Windows, lorsque la prise en charge du GPU est souhaitée, la documentation suggère d'associer Miniconda à pip pour un meilleur contrôle de CUDA et cuDNN.

Vous devez également décider si vous souhaitez utiliser un CPU, un GPU ou même un TPU :

• ProcesseurIl fonctionne sur la quasi-totalité des ordinateurs modernes. C'est l'option la plus simple à installer, même si la formation est plus longue.
• GPUSi vous possédez une carte graphique Nvidia (ou dans certains cas une carte AMD avec des solutions spécifiques), vous pouvez accélérer considérablement l'entraînement, au prix de installer des pilotes et des bibliothèques supplémentaires (CUDA, cuDNN, etc.).
• TPUIls sont principalement disponibles sur Google Colab et dans le cloud Google ; vous n'avez rien à installer localement, mais cela dépasse un peu le cadre de ce guide qui se concentre sur votre machine.

Par ailleurs, tenez compte des détails de licence : TensorFlow est distribué sous licence Apache 2.0 , et une grande partie de la documentation et des exemples de Google sont sous licence Creative Commons. Cela n’affecte pas l’installation elle-même, mais il est utile de le savoir si vous prévoyez de redistribuer du code ou du contenu.

Installation de TensorFlow sous Linux (Ubuntu et autres distributions)

TensorFlow ne prend officiellement en charge qu'Ubuntu 64 bits, bien que la procédure décrite ici fonctionne généralement sur d'autres distributions Linux moyennant quelques ajustements mineurs (notamment au niveau des dépendances système). De plus, depuis la version 2.10 de TensorFlow, des versions spécifiques pour ARM64/Aarch64, maintenues par des tiers (comme AWS), sont installées automatiquement lors de l'utilisation de cette architecture. Pour les GPU AMD, on utilise généralement les versions intégrant AMD ROCm.

Comme toujours, la solution la plus propre consiste à tout isoler dans un environnement virtuel. Python inclut ce module par défaut. venv créer des environnementset c'est la méthode recommandée par la documentation officielle elle-même.

Créer et activer un environnement virtuel sous Linux

Tout d'abord, accédez au dossier où vous souhaitez enregistrer vos environnements et exécutez :

python3 -m venv tf

Cela générera un dossier appelé tf avec un Python « indépendant »Pour l'utiliser, activez-le avec :

source tf/bin/activate

Vous verrez apparaître quelque chose comme ceci dans la ligne de commande. (tf) devant l'invite, ce qui indique que Tous les paquets que vous installez seront placés dans cet environnement. et non au système global. À partir de maintenant, maintenez cet environnement activé pendant toute la durée de l'installation.

Installation de TensorFlow avec pip sous Linux

L'environnement étant configuré, l'étape suivante consiste à mettre à jour pip puis à installer TensorFlow. Tout d'abord :

pip install --upgrade pip

Ensuite, choisissez en fonction de votre situation :

# Si quieres soporte GPU (con CUDA configurado)
pip install "tensorflow"

# Si solo vas a usar CPU
pip install tensorflow

Il est important de noter que le guide officiel déconseille l'installation de TensorFlow avec conda sous Linux, car les versions disponibles sur les canaux conda peuvent être en retard par rapport à celles publiées sur PyPI. La méthode la plus fiable consiste à utiliser pip directement avec les paquets officiels publiés par l'équipe TensorFlow.

Vérifiez l'installation sous Linux

Pour vous assurer que tout est en place, vous pouvez exécuter un petit test dans le terminal :

python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal()))"

Si tout se passe bien, une valeur numérique s'affichera (un tenseur réduit à un scalaire). Ce résultat indique que TensorFlow a été installé correctement et peut effectuer des opérations de base sur votre CPU ou GPU. Pour vérifier spécifiquement le GPU, utilisez :

python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"

Dans ce cas, vous devriez obtenir la liste des périphériques GPU détectés. Si la liste est vide, cela signifie que le GPU n'est pas encore utilisé ; vous devrez alors vérifier les pilotes, CUDA, cuDNN, voire les conflits éventuels avec les installations système précédentes.

Paramètres GPU supplémentaires sous Linux (liens symboliques)

Lors de l'installation de TensorFlow avec GPU dans un environnement virtuel, il arrive que les bibliothèques Nvidia partagées ne soient pas situées à l'emplacement attendu par l'environnement d'exécution. La documentation officielle propose une solution de contournement consistant à créer des liens symboliques vers les bibliothèques Nvidia au sein de l'environnement virtuel.

Voici les étapes typiques (à exécuter systématiquement avec l'environnement activé) :

pushd $(dirname $(python -c 'print(__import__("tensorflow").__file__)'))
ln -svf ../nvidia/*/lib/*.so* .
popd

ln -sf $(find $(dirname $(dirname $(python -c "import nvidia.cuda_nvcc; print(nvidia.cuda_nvcc.__file__)"))/*/bin/) -name ptxas -print -quit) $VIRTUAL_ENV/bin/ptxas

Ensuite, relancez la vérification du GPU :

python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"

Si la liste des GPU s'affiche désormais, vous avez résolu le problème courant de détection des composants CUDA dans l'environnement virtuel . Si le problème persiste, vérifiez vos pilotes, la compatibilité des versions de CUDA avec votre version de TensorFlow, ou effectuez une nouvelle installation.

Installation de TensorFlow sur macOS (Intel et Apple Silicon)

Sous macOS, la situation est similaire, avec quelques nuances. Tout d'abord, il vous faut macOS 10.12.6 (Sierra) ou une version ultérieure en 64 bits . Bien que TensorFlow soit compatible avec Apple Silicon (M1 et successeurs), de nombreuses bibliothèques externes qui reposent sur des extensions C++ personnalisées ne sont pas encore compilées pour ARM. Vous pourriez donc rencontrer des packages qui ne fonctionnent que sous émulation x86 avec Rosetta.

De plus, TensorFlow ne prend actuellement pas en charge officiellement le GPU sur macOS dans la branche principale du projet (mis à part quelques initiatives tierces). En pratique, cela signifie que vous travaillerez avec le CPU, que ce soit sur les systèmes Intel ou Apple Silicon, à moins d'utiliser des solutions alternatives.

Découvrez Python et pip sur macOS

macOS est généralement fourni avec une ancienne version de Python 2 et parfois une version de Python 3, mais il est recommandé d'installer vous- même une version moderne de Python 3.9 à 3.11 (par exemple, à l'aide du programme d'installation officiel ou de Homebrew). Pour connaître la version installée :

python3 --version
python3 -m pip --version

Si vous considérez Python 2 comme la commande principale python et Python 3 comme python3Pas de souci, c'est normal sur de nombreux Mac. Assurez-vous simplement de toujours utiliser Python 3 et pip sont associés à cette version moderne..

Dans certains cas, notamment sur les anciens Mac, vous devrez travailler avec des fichiers comme .bash_profile o .zshrc pour Définir un alias pour la version correcte de Python et de pipPar exemple, vous pourriez ajouter quelque chose comme ceci :

alias python=python3
alias pip=pip3

N'oubliez pas que l'interpréteur de commandes par défaut dans les versions récentes de macOS est zshPar conséquent, les variables et les alias que vous avez placés dans .bash_profile Elles ne s'appliqueront pas à moins que les « crochets » de .zshrc Vous pouvez aussi travailler directement avec bash. Il est facile de s'énerver en pensant avoir modifié un fichier de démarrage qui ne se charge ensuite plus.

Installer TensorFlow avec pip sur macOS

Une fois Python 3 installé, créez un environnement virtuel avec venv, comme nous l'avons vu précédemment :

python3 -m venv tf
source tf/bin/activate

Une fois l'environnement activé, mettez à jour pip puis installez TensorFlow (CPU) :

pip install --upgrade pip
pip install tensorflow

La procédure est simple et, sauf en cas de conflit avec des versions antérieures, elle fonctionne généralement du premier coup . Si une dépendance est manquante, pip affichera le message correspondant et vous pourrez mettre à jour ou installer le composant manquant.

Vérifiez l'installation de TensorFlow sur macOS

Le test rapide est le même que sous Linux :

python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal()))"

Si un nombre s'affiche à l'écran, TensorFlow est prêt à l'emploi . macOS ne prenant pas officiellement en charge les GPU, il est inutile de vérifier les périphériques graphiques comme sous Linux ou Windows avec Nvidia ; le traitement sera effectué par le processeur.

Installation de TensorFlow sur Windows natif (avec et sans GPU)

Sous Windows, la situation est légèrement différente. Il est important de noter que TensorFlow 2.10 était la dernière version à prendre en charge nativement les GPU sous Windows . À partir de TensorFlow 2.11, l'utilisation d'un GPU nécessite le passage par WSL2 ou d'autres solutions comme le plugin TensorFlow-DirectML, conçu pour le matériel Microsoft/AMD (voir le guide d' installation de TensorFlow avec GPU sous Windows 11 ).

De plus, les binaires CPU de TensorFlow pour Windows, depuis la version 2.10, Ils sont fournis par Intel sous forme de packages tiers (par exemple, tensorflow-intel), et sont installés de manière transparente lorsque vous utilisez les noms standard tensorflow o tensorflow-cpuCes packages sont proposés « en l'état » et peuvent présenter de légers retards de mise à jour par rapport au projet principal.

Configuration requise et préparation de l'environnement Windows

Pour commencer, vous avez besoin d'une version 64 bits de Windows, version 7 ou supérieure (bien qu'en pratique, il soit fortement recommandé d'utiliser les versions actuelles de Windows 10 ou 11) et Avez-vous installé le package redistribuable Microsoft Visual C++ pour Visual Studio 2015, 2017 et 2019 ?Depuis TensorFlow 2.1.0, le fichier est requis msvcp140_1.dll, qui n'est pas inclus dans les anciens packages redistribuables.

Le processus typique est :

• Rendez-vous sur la page de téléchargement officielle de Microsoft Visual C++.
• Recherchez la section correspondant à Visual Studio 2015, 2017 et 2019.
• Téléchargez et installez le redistribuable approprié pour votre plateforme (x64).

Il est également conseillé de s'assurer que les chemins longs sont activés dans Windows , ce qui peut être fait à partir de la stratégie de groupe ou du registre dans les versions modernes, afin d'éviter les erreurs avec des noms de dossiers très profonds (assez fréquentes lors de l'utilisation d'environnements de développement, de Python, etc.).

Installez Miniconda et créez un environnement pour TensorFlow.

Bien qu'il soit possible d'installer TensorFlow directement avec votre installation Python existante, la documentation recommande d'utiliser Miniconda pour gérer un environnement distinct , notamment si l'optimisation GPU vous intéresse. La procédure est la suivante :

conda create --name tf python=3.9

Ensuite, activez et désactivez l'environnement selon les besoins :

conda activate tf
# ... trabajar con TensorFlow ...
conda deactivate

Cette méthode de travail permet d'isoler toutes les dépendances de TensorFlow sans toucher au reste du système, ce qui est très utile sous Windows où les chemins et versions partagés peuvent causer de nombreux problèmes.

Configurer le GPU sous Windows avec conda (jusqu'à TensorFlow 2.10)

Si vous possédez une carte graphique NVIDIA et souhaitez entraîner des modèles à l'aide du GPU, vous devrez installer CUDA et cuDNN dans l'environnement conda. Vous pouvez le faire directement depuis conda-forge avec :

conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0

Ces versions spécifiques constituent un exemple typique de compatibilité avec TensorFlow 2.10 sur GPU sous Windows . D'autres combinaisons peuvent fonctionner, mais il est préférable de consulter les tableaux de compatibilité officiels pour éviter toute surprise.

Installer TensorFlow sur Windows natif

Avec les environs tf Une fois activé, l'étape suivante consiste à mettre à jour pip puis à installer TensorFlow. Comme pour les autres plateformes, pip est utilisé même au sein de conda :

pip install --upgrade pip

Si vous comptez utiliser un GPU sous Windows natif (rappel : jusqu’à la version 2.10), installez une version inférieure à 2.11 :

pip install "tensorflow<2.11"

Si vous souhaitez uniquement utiliser le processeur, vous pouvez également installer tensorflow-cpu Plus précisément, il utilisera également des composants provenant de packages Intel. Cependant, en utilisant le nom générique tensorflow Cela suffit dans la plupart des cas.

Tests de TensorFlow sous Windows (CPU et GPU)

Pour vérifier le processeur, exécutez :

python -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal()))"

Si la commande renvoie un nombre, TensorFlow est installé et s'exécute sur le processeur . Pour vérifier le GPU, utilisez :

python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"

Si vous obtenez une liste de périphériques GPU, c'est parfait : la carte graphique est accessible et prête à accélérer vos modèles . Si la liste est vide, vous devrez vérifier vos pilotes, votre version de CUDA et de cuDNN, et vous assurer que la variable d'environnement appropriée pointe vers ces bibliothèques.

Installation de TensorFlow sous Windows avec WSL2

En raison des limitations des GPU sous Windows natif depuis TensorFlow 2.11, une alternative très intéressante consiste à utiliser WSL2 (Windows Subsystem for Linux) . WSL2 permet d'exécuter un véritable système Linux sous Windows 10/11 et de tirer parti du GPU grâce à des pilotes conçus à cet effet.

Pour installer TensorFlow sur WSL2 avec prise en charge du GPU, vous avez besoin de Windows 10 version 21H2 (build 19044) ou ultérieure , ou de Windows 11. De plus, vous devrez installer les pilotes NVIDIA compatibles WSL2, qui permettent aux applications de la machine Linux de voir le GPU.

Configurer le GPU et vérifier les pilotes dans WSL2

Une fois WSL2 installé et votre distribution Linux configurée, installez les pilotes NVIDIA pour WSL2 en suivant le guide officiel. Pour vérifier que le GPU est bien visible dans le sous-système Linux, exécutez :

nvidia-smi

Si un tableau affichant le modèle de votre carte, sa mémoire, les processus, etc., s'affiche, le pilote fonctionne correctement sous WSL2 et vous pouvez procéder à l'installation de TensorFlow comme sur une machine Linux classique. Pour plus d'informations sur l'installation de CUDA sous WSL2, consultez la documentation relative à l'installation de CUDA sous WSL.

Installation de TensorFlow sur WSL2 (CPU et GPU)

Sous WSL2, les étapes sont quasiment identiques à celles décrites dans la section Linux. Depuis votre distribution (Ubuntu, par exemple) :

python3 -m venv tf
source tf/bin/activate
pip install --upgrade pip

Choisissez ensuite l'installation appropriée :

# Con GPU en WSL2
pip install "tensorflow"

# Solo CPU
pip install tensorflow

Enfin, vérifiez que tout est en ordre :

python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal()))"
python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"

Si les deux tests produisent respectivement un tenseur numérique et une liste de GPU, vous disposez d'une installation TensorFlow moderne avec prise en charge complète des GPU, exécutée sur WSL2 et tirant parti du matériel de votre machine Windows.

Utilisation d'environnements virtuels et organisation de projets en Python

L'utilisation de TensorFlow implique souvent de gérer de nombreuses dépendances : NumPy, SciPy, matplotlib, des bibliothèques de données, etc. Pour éviter toute surcharge de votre système, il est essentiel de prendre l'habitude d' utiliser des environnements virtuels pour chaque projet . Cela permettra d'éviter les conflits de versions et de mettre à jour les bibliothèques sans risquer de perturber d'autres développements.

Sous Linux et macOS, la pratique courante consiste à utiliser python -m venvComme nous l'avons déjà vu, sous Windows, vous pouvez utiliser à la fois les environnements venv et conda. Dans les deux cas, le principe est le même : Chaque projet possède son propre « mini-Python » avec ses propres packages., isolé du reste.

Par exemple, pour créer un environnement appelé .venv dans le dossier de votre projet :

python -m venv .venv
source .venv/bin/activate    # Linux / macOS
# o
.venv\Scripts\activate       # Windows

Une fois activé, vous installez TensorFlow, Keras (si nécessaire, séparément), NumPy, pandas, etc., et vous n'avez plus à vous soucier des modifications globales du système. Si vous souhaitez mettre à jour TensorFlow ultérieurement , il vous suffit d'exécuter :

pip install -U tensorflow

pip se chargera de télécharger la nouvelle version et ses dépendances, toujours dans cet environnement spécifique. Vous pouvez vérifier à tout moment la version installée avec :

python -m pip show tensorflow

Le résultat affichera le nom du paquet, sa version, un bref résumé, sa licence, son chemin d'installation et la liste de ses dépendances (telles que google-pasta, six, protobuf, tensorboard, h5py, termcolor, absl-py, opt-einsum, wrapt, grpcio, keras-preprocessing, tensorflow-estimator, numpy, astunparse, wheel, scipy , etc.). Il indiquera également les autres paquets qui dépendent de TensorFlow, le cas échéant.

Installez et utilisez TensorFlow dans un environnement de développement confortable.

Au-delà de l'installation de base, il est conseillé de configurer un environnement de développement convivial pour travailler avec Python et TensorFlow . Microsoft Visual Studio Code (VS Code), disponible pour Windows, macOS et Linux, est l'une des options les plus populaires et les plus légères.

Le déroulement habituel serait :

• Téléchargez et installez la dernière version de VS Code depuis le site officiel.
• Ouvrez l'éditeur et, dans la section personnalisation, installez l'extension Python officielle.
• Si vous le souhaitez, vous pouvez également ajouter des packages d'extraits de code pour TensorFlow et Keras.

Lorsque vous ouvrez un dossier de projet dans VS Code, l'option de sélection de l'interpréteur Python apparaît en bas à droite. Vous pouvez alors choisir l'interpréteur Python de l'environnement virtuel où TensorFlow est installé. Il est crucial de ne pas mélanger les interpréteurs système et les environnements virtuels, car vous risquez de rencontrer des scripts qui ne reconnaissent pas les bibliothèques que vous pensiez avoir installées.

Une fois que vous avez choisi l'interpréteur approprié, vous pouvez créer un fichier, par exemple hola_tensorflow.pyavec quelque chose d'aussi simple que :

import tensorflow as tf

print(tf.__version__)
print(tf.reduce_sum(tf.random.normal()))

Lorsque vous exécutez le fichier depuis VS Code (ou depuis le terminal intégré), vous verrez la version de TensorFlow et le résultat de l'opération d'exemple. Si cela fonctionne, votre environnement de développement est prêt pour la création de modèles plus complexes, soit avec des scripts autonomes, soit avec des notebooks Jupyter (en local ou sur Google Colab).

Conseil pratique : sous macOS, il est préférable d’éviter les chemins d’accès contenant des espaces ou les dossiers synchronisés avec iCloud pour vos projets, car cela peut parfois créer des chemins d’accès trop longs ou des modifications inattendues. Travailler dans un dossier local sans espaces dans le chemin d’accès vous évite généralement les problèmes liés aux chemins relatifs et à certains outils plus anciens.

Comment importer et commencer à utiliser TensorFlow et Keras dans vos scripts

Une fois tout installé et l'éditeur prêt, il est temps de voir comment utiliser concrètement les bibliothèques. Pour commencer, l'approche habituelle consiste à importer TensorFlow et, si nécessaire, Keras. Il existe plusieurs façons de procéder, mais les plus courantes sont :

# Importar TensorFlow como módulo principal
import tensorflow as tf

# Usar la API de Keras integrada en TensorFlow
from tensorflow import keras

# O importar keras directamente si la tienes instalada
import keras

Il n'est ni nécessaire ni conseillé de procéder à des importations massives de ce type. from tensorflow import *. L'idéal est N'importez que ce que vous allez utiliser.Par exemple, si vous souhaitez définir un modèle séquentiel avec des couches denses :

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

model = Sequential()

Cette méthode de travail vous offre un point de départ clair : vous installez TensorFlow une seule fois, vous vérifiez que tout fonctionne , vous configurez un environnement avec un éditeur confortable, et à partir de là, vous ajoutez uniquement les composants Keras et TensorFlow dont vous avez besoin pour votre projet spécifique, sans surcharger ni le code ni l’environnement.

Grâce à ces étapes, vous avez abordé les notions fondamentales : la présentation de TensorFlow et Keras, les prérequis Python et pip, l’installation sous Linux, macOS, Windows et WSL2, la configuration du CPU et du GPU, l’utilisation des environnements virtuels, ainsi que les premières étapes d’importation et de test dans votre environnement de développement. L’étape suivante consiste naturellement à explorer des exemples Python simples pour l’IA , à tester les notebooks et à commencer à créer des modèles qui apportent une véritable « intelligence » à vos applications, au lieu de vous contenter de simples opérations CRUD sans capacité d’apprentissage.