Le modèle calcule une sortie
Avec ses paramètres actuels, encore imparfaits.
Mesurer, corriger, recommencer
Fonction de perte et descente de gradient
Pendant l’entraînement, le modèle produit une réponse, mesure son erreur puis ajuste ses paramètres dans une direction susceptible de la réduire. Ce cycle est répété un très grand nombre de fois.
Image mentaleLa perte indique l’altitude. Le gradient indique la pente. Le taux d’apprentissage règle la longueur du pas.
DépartPerte plus faible
La boucle d’apprentissage
Quatre opérations, encore et encore
La perte résume l’erreur
Une règle transforme l’écart en nombre à réduire.
Le gradient indique la pente
Il estime comment chaque paramètre influence la perte.
Les paramètres font un pas
Puis le cycle reprend avec d’autres exemples.
Une mesure choisie
La « perte » n’est pas l’erreur du monde réel
Elle est une formule définie pour l’entraînement. Deux erreurs humainement très différentes peuvent avoir un poids identique — ou l’inverse — selon cette formule.
Écart entre deux nombres
On peut, par exemple, accentuer les grosses erreurs en mettant les écarts au carré.
Probabilité donnée à la bonne classe
Une prédiction très confiante mais fausse est généralement davantage pénalisée.
La taille du pas
Le taux d’apprentissage change le trajet
Beaucoup d’étapes peuvent être nécessaires.
La perte diminue jusqu’à devenir relativement stable.
La perte oscille, augmente ou l’entraînement devient instable.
Ce que cela ne garantit pas
Une perte basse ne suffit pas
Le modèle peut optimiser exactement la mesure demandée tout en échouant sur un besoin réel mal représenté. Il peut aussi mémoriser les exemples d’entraînement.
- 1
Mesure incomplète
La fonction ne traduit pas tous les objectifs humains. - 2
Données imparfaites
Le modèle apprend aussi les biais et erreurs présents. - 3
Bon entraînement, mauvais terrain
Les nouvelles données peuvent être différentes. - 4
Minimum ≠ perfection
Réduire l’erreur moyenne laisse subsister des échecs.
Source de référence
Pour approfondir
Le cours de Google décrit la descente de gradient comme un processus itératif qui ajuste poids et biais afin de minimiser la perte.
Google for DevelopersLa descente de gradient, étape par étape →Google for DevelopersEntraînement, perte, évaluation et inférence →
Sources consultées le 28 septembre 2026.
La vraie épreuve
La baisse de la perte doit encore résister à des données nouvelles.
Dans le parcours « Je comprends comment les modèles apprennent »
Gardez le fil de votre apprentissage.
Une étape courte et clairement reliée à ce que vous venez de lire.