diff --git a/iprbench/resources/tensorflow1/DS_Data.py b/iprbench/resources/tensorflow1/DS_Data.py
deleted file mode 100644
index 17fd56b..0000000
--- a/iprbench/resources/tensorflow1/DS_Data.py
+++ /dev/null
@@ -1,61 +0,0 @@
-# -*- coding: utf-8 -*-
-"""
-Created on Wed Sep 25 14:19:41 2024
-
-@author: errobin
-"""
-
-import numpy as np  # pour faire du calcul matriciel
-from PIL import Image  # pour lire une image
-# import matplotlib.pyplot as plt  # pour faire des tracer
-
-# lecture image ######################################
-
-image_file = Image.open("GAN.bmp")
-image_bmp = 1. * np.array(image_file)  # on transforme le fichier en matrice nommée image_bmp
-image_file.close()  # fermeture du fichier en lecture
-
-#####################################################
-# code pour aider à comprendre une image
-################################################################################
-
-# recupère les dimension de l'image ###############
-dim = image_bmp.shape
-
-nb_ligne = dim[0]
-nb_colonne = dim[1]
-image_traitee = np.zeros((nb_ligne, nb_colonne))  # déclaration d'un tableau au dimension de l'image
-###################################################
-
-# Affecte les valeurs de la matrice image_bmp à image_traitee
-for colonne in range(0, nb_colonne):
-    for ligne in range(0, nb_ligne):
-
-        image_traitee[ligne, colonne] = image_bmp[ligne, colonne]  # regarder les tableaux avec variable explorer
-
-# if False:
-#     plt.imshow(image_traitee,'gray')
-#     plt.show()
-
-#################################################################################
-# fin code pour comprendre une image
-
-# DS partie Data
-# complétez le code suivant pour créer votre database tq; x_train = position du pixel et y_target = couleur du pixel
-
-# declaration des tableaux
-X_train = np.zeros((nb_colonne * nb_ligne, 2))
-Y_target = np.zeros((nb_colonne * nb_ligne))
-
-compt = 0
-for colonne in range(0, nb_colonne):
-    for ligne in range(0, nb_ligne):
-        X_train[compt, 0] = colonne
-        X_train[compt, 1] = ligne
-
-        Y_target[compt] = image_bmp[colonne, ligne] / 255.
-        compt = compt + 1
-
-# sauvagarde de la database
-np.savetxt("X_train.txt", X_train, delimiter=';')
-np.savetxt("Y_target.txt", Y_target, delimiter=';')
diff --git a/iprbench/resources/tensorflow1/DS_Train.py b/iprbench/resources/tensorflow1/DS_Train.py
deleted file mode 100644
index 0cada23..0000000
--- a/iprbench/resources/tensorflow1/DS_Train.py
+++ /dev/null
@@ -1,51 +0,0 @@
-# -*- coding: utf-8 -*-
-"""
-Created on Wed Sep 25 14:38:32 2024
-
-@author: errobin
-"""
-
-# DS partie Train
-# complétez/joué sur les hyperparamètres (vitesse d'apprentissage et nb epoch) et sur l'architecture du modèle pour l'entrainer et pour le sauver (une fois entrainé)
-# ASTUCE un loss inférieur à 0.005 permets déjà d'obtenir des résultats intéréssants
-
-
-import time
-import tensorflow as tf
-import numpy as np
-
-
-X_train = np.genfromtxt('X_train.txt', delimiter=';')
-Y_target = np.genfromtxt('Y_target.txt', delimiter=';')
-
-# Partie ANN definition + entrainement
-# *****************************************
-model = tf.keras.models.Sequential()
-
-model.add(tf.keras.layers.Dense(2048, activation="relu"))
-model.add(tf.keras.layers.Dense(1024, activation="relu"))
-model.add(tf.keras.layers.Dense(512, activation="relu"))
-model.add(tf.keras.layers.Dense(256, activation="relu"))
-model.add(tf.keras.layers.Dense(128, activation="relu"))
-model.add(tf.keras.layers.Dense(64, activation="relu"))
-model.add(tf.keras.layers.Dense(32, activation="relu"))
-model.add(tf.keras.layers.Dense(1))
-
-model.compile(
-    loss="mse",
-    optimizer="adam"
-)
-
-
-def scheduler(epoch):  # dans cette fonction il est possible de faire des test if en fonction de epoch pour retourner différente valeur de la ???
-    return 0.0001
-
-
-callback_vitesse_apprentissage = tf.keras.callbacks.LearningRateScheduler(scheduler)
-###################################################################
-
-start_time = time.time()
-model.fit(X_train, Y_target, epochs=3, verbose=1, callbacks=[callback_vitesse_apprentissage])
-end_time = time.time()
-temps_cal = end_time - start_time
-print(temps_cal)
diff --git a/iprbench/resources/tensorflow1/train.py b/iprbench/resources/tensorflow1/train.py
new file mode 100644
index 0000000..bc6c59c
--- /dev/null
+++ b/iprbench/resources/tensorflow1/train.py
@@ -0,0 +1,58 @@
+# -*- coding: utf-8 -*-
+"""
+Created on Wed Sep 25 14:38:32 2024
+
+@author: errobin
+"""
+
+# DS partie Train
+# complétez/joué sur les hyperparamètres (vitesse d'apprentissage et nb epoch) et sur l'architecture du modèle pour l'entrainer et pour le sauver (une fois entrainé)
+# ASTUCE un loss inférieur à 0.005 permets déjà d'obtenir des résultats intéréssants
+
+from pathlib import Path
+import time
+import tensorflow as tf
+import numpy as np
+
+
+def scheduler(epoch):  # dans cette fonction il est possible de faire des test if en fonction de epoch pour retourner différente valeur de la ???
+    return 0.0001
+
+
+def learn(X_train: np.array, Y_target: np.array, learning_rate_scheduler):
+
+    assert X_train.shape[0] == Y_target.shape[0]
+    # Partie ANN definition + entrainement
+    # *****************************************
+    model = tf.keras.models.Sequential()
+
+    model.add(tf.keras.layers.Dense(2048, activation="relu"))
+    model.add(tf.keras.layers.Dense(1024, activation="relu"))
+    model.add(tf.keras.layers.Dense(512, activation="relu"))
+    model.add(tf.keras.layers.Dense(256, activation="relu"))
+    model.add(tf.keras.layers.Dense(128, activation="relu"))
+    model.add(tf.keras.layers.Dense(64, activation="relu"))
+    model.add(tf.keras.layers.Dense(32, activation="relu"))
+    model.add(tf.keras.layers.Dense(1))
+
+    model.compile(
+        loss="mse",
+        optimizer="adam"
+    )
+
+    callback_vitesse_apprentissage = tf.keras.callbacks.LearningRateScheduler(learning_rate_scheduler)
+
+    start_time = time.time()
+    model.fit(X_train, Y_target, epochs=3, verbose=1, callbacks=[callback_vitesse_apprentissage])
+    end_time = time.time()
+    temps_cal = end_time - start_time
+    print(temps_cal)
+
+
+def main():
+    X_train = np.genfromtxt(Path('X_train.txt'), delimiter=';')
+    Y_target = np.genfromtxt(Path('Y_target.txt'), delimiter=';')
+    learn(X_train, Y_target, learning_rate_scheduler=scheduler)
+
+
+main()
\ No newline at end of file
diff --git a/iprbench/resources/tensorflow1/trainset.py b/iprbench/resources/tensorflow1/trainset.py
new file mode 100644
index 0000000..98d8fd8
--- /dev/null
+++ b/iprbench/resources/tensorflow1/trainset.py
@@ -0,0 +1,72 @@
+# -*- coding: utf-8 -*-
+"""
+Created on Wed Sep 25 14:19:41 2024
+
+@author: errobin
+"""
+from typing import Tuple
+from pathlib import Path
+import numpy as np  # pour faire du calcul matriciel
+from PIL import Image  # pour lire une image
+# import matplotlib.pyplot as plt  # pour faire des tracer
+
+
+def create_training_set(image_file_path: Path) -> Tuple[np.array, np.array]:
+    image_file = Image.open(image_file_path)
+    image_bmp = 1. * np.array(image_file)  # on transforme le fichier en matrice nommée image_bmp
+    image_file.close()  # fermeture du fichier en lecture
+
+    # lecture image ######################################
+
+    #####################################################
+    # code pour aider à comprendre une image
+    ################################################################################
+
+    # recupère les dimension de l'image ###############
+    dim = image_bmp.shape
+
+    nb_ligne = dim[0]
+    nb_colonne = dim[1]
+    image_traitee = np.zeros((nb_ligne, nb_colonne))  # déclaration d'un tableau au dimension de l'image
+    ###################################################
+
+    # Affecte les valeurs de la matrice image_bmp à image_traitee
+    for colonne in range(0, nb_colonne):
+        for ligne in range(0, nb_ligne):
+
+            image_traitee[ligne, colonne] = image_bmp[ligne, colonne]  # regarder les tableaux avec variable explorer
+
+    # if False:
+    #     plt.imshow(image_traitee,'gray')
+    #     plt.show()
+
+    #################################################################################
+    # fin code pour comprendre une image
+
+    # DS partie Data
+    # complétez le code suivant pour créer votre database tq; x_train = position du pixel et y_target = couleur du pixel
+
+    # declaration des tableaux
+    X_train = np.zeros((nb_colonne * nb_ligne, 2))
+    Y_target = np.zeros((nb_colonne * nb_ligne))
+
+    compt = 0
+    for colonne in range(0, nb_colonne):
+        for ligne in range(0, nb_ligne):
+            X_train[compt, 0] = colonne
+            X_train[compt, 1] = ligne
+
+            Y_target[compt] = image_bmp[colonne, ligne] / 255.
+            compt = compt + 1
+
+    return X_train, Y_target
+
+
+def main():
+    X_train, Y_target = create_training_set(Path('./GAN.bmp'))
+    # sauvagarde de la database
+    np.savetxt(Path('X_train.txt'), X_train, delimiter=';')
+    np.savetxt(Path('Y_target.txt'), Y_target, delimiter=';')
+
+
+main()