#is-it-einstein — Réseaux de neurones

Is it Einstein ? Deux visages passent au scanner d’un réseau qui n’a appris qu’Einstein : Haythem → NON, Einstein → OUI. Regarder est gratuit ; toucher est Premium.

Ce que tu vas manipuler

Is it Einstein ? 🧠 Le film démarre tout seul, tu n’as rien à faire. Un réseau de reconnaissance de visages a appris un seul visage : Einstein. On lui montre deux têtes, l’une après l’autre, et il tranche : OUI ou NON.
Scan 1 : la photo de Haythem, le fondateur. Recadrage, puis ses pixels passent pour de vrai dans 16 filtres 3×3 (Sobel, Laplacien, relief…), s’envolent vers l’empreinte de 512 nombres, traversent la petite tête à 64 neurones… et le tampon tombe : NON. Beau sourire, mais pas la bonne tignasse.
Scan 2 : une caricature d’Einstein qui tire la langue. Même pipeline, même réseau, rien n’a été réentraîné — seule l’empreinte change. Le tampon : OUI ! C’est tout le principe du transfert d’apprentissage : FaceNet reste gelé, on ne compare que la fin.
Regarder est gratuit, et le film boucle. Toucher au réseau — /photo pour inscrire ton visage à la place d’Einstein, /seuil 0.85 pour un juge plus sévère, /graine 12 pour un autre tirage, ou simplement /pause et /scan — c’est Premium. La boîte en bas est grisée pour ça. Ensuite : #cnn-filtres pour voir les convolutions de près, #transfer-learning pour comprendre pourquoi on ne réentraîne pas tout.

Commandes du canal

/scan <haythem|einstein|suivant> — Saute à un scan (haythem, einstein, ou le suivant) et le joue depuis le début.
/pause — Met le film en pause.
/lecture — Relance le film.
/vitesse <0.5|1|2|4> — Change la vitesse de lecture.
/rejouer — Relance le scan courant depuis la première image.
/soustitres — Coupe ou remet les sous-titres.
/enchainer — Enchaîne ou arrête à la fin du scan.
/reinit — Remet le film aux réglages d’origine.
/photo — Inscrit ton visage à la place d’Einstein (bientôt : inférence réelle).
/seuil <0.4..0.95> — Seuil au-delà duquel le verdict dit OUI.
/graine <1..999> — Autre tirage des activations (même pipeline, autre texture).

Glossaire

Recadrage (MTCNN): Avant d’identifier, on trouve le visage et on le recadre. MTCNN est un petit détecteur en cascade : d’abord « y a-t-il une tête ? », puis les points (yeux, nez, bouche) pour redresser.
FaceNet: Un réseau entraîné une fois pour toutes à coller deux photos de la même personne et à éloigner deux inconnus. On le gèle : on ne le réentraîne pas. On lit seulement son vecteur de 512 nombres.
Empreinte 512-d: Le visage compressé en 512 nombres. Deux portraits d’Einstein donnent des vecteurs proches (cosinus élevé) ; Einstein et Haythem, non. C’est une empreinte, pas une photo stockée.
Tête de classification: Un tout petit réseau (ici 64 neurones puis 2 sorties) appris par-dessus FaceNet gelé. C’est lui qui dit OUI / NON. Changer de personne, c’est réapprendre cette tête, pas tout le réseau.
Transfert d’apprentissage: Réutiliser un réseau entraîné sur des millions de visages, et n’apprendre que la dernière couche sur une personne. C’est moins de données, moins de calcul, et c’est la norme en vision.
Seuil de décision: Au-dessus du seuil, on dit OUI ; en dessous, NON. Le monter rend le juge plus sévère (moins de fausses acceptations, plus de refus).
Caricature, pas photo: Le visage d’Einstein ici est une caricature générée, pas une photographie d’archive : les clichés célèbres restent protégés par le droit d’auteur. Le réseau, lui, ne fait pas la différence — des bords, des yeux, une moustache.

Autres canaux du thème Réseaux de neurones

#neurone — Décomposons un neurone : entrées, poids, somme, activation.
#dropout — Régularisation par dropout : le meilleur ami des réseaux profonds.
#activation — Pourquoi une activation ? ReLU, sigmoid, tanh, Leaky ReLU, GELU et le gradient qui disparaît.
#descente-de-gradient — La perte est un paysage. Le gradient dit où ça monte, on fait un pas dans l'autre sens.
#rétropropagation — Le graphe de calcul rejoué à l'envers : chaque nœud reçoit ∂L/∂(lui) et la règle de la chaîne fait le reste.
#sur-apprentissage — Un gros modèle sur peu de données : la frontière de décision se tord jusqu'à mémoriser le bruit.
#cnn-filtres — Une image est une grille de nombres. Un filtre 3×3 glisse dessus, multiplie, additionne : c'est une convolution.
#is-it-einstein — Is it Einstein ? Deux visages passent au scanner d’un réseau qui n’a appris qu’Einstein : Haythem → NON, Einstein → OUI. Regarder est gratuit ; toucher est Premium.
#embeddings-3d — Un mot devient un vecteur : proches dans l'espace = proches en sens, et on peut calculer dessus.