Keras : classificateur gauss

02-intro_rna/05-keras-tf_playground-gauss.py

@@ -1,6 +1,8 @@
 import os, time
 import numpy as np
 import matplotlib.pyplot as plt
+from matplotlib import cm
+from matplotlib.colors import ListedColormap, LinearSegmentedColormap
 
 import tensorflow as tf
 from tensorflow import keras
@@ -54,57 +56,87 @@ from tensorflow import keras
 # Initialisation
 ###############################################################################
 
-# Init de Tensorflow + Keras
-
-# tf.__version__
-# keras.__version__
-# tf.config.list_physical_devices('GPU')
-
 # Init du temps
 t_debut = time.time()
 
 # Init des plots
-fig = plt.figure(layout="constrained", figsize=(15, 5))
+fig = plt.figure(figsize=(15, 5))
-fig.suptitle("Réseaux de neurones avec Keras - Classificateur d'images")
+fig.suptitle("Réseaux de neurones avec Keras - Classificateur : points sur une Gaussienne")
-subfigs = fig.subfigures(1, 3)
+model_ax = fig.add_subplot(131) # Modèle
-model_ax = subfigs[0].subplots(1, 1)
+apts_ax = fig.add_subplot(132) # Courbes d'apprentissage
-apts_ax = subfigs[1].subplots(1, 1)
+donnees_ax = fig.add_subplot(133) # Observations : x1,x2 et cibles : y
-img_ax = subfigs[2].subplots(4, 8)
 
 ###############################################################################
 # Observations
 ###############################################################################
 
-# Observations d'apprentissage, de validation et de test
+# Observations d'apprentissage
-vetement = keras.datasets.fashion_mnist # Jeu de données Fashion MNIST 
+m = 1000 # Nombre d'observations
-(X, y), (X_test, y_test) = vetement.load_data()
+bg = 1 # Quantité du bruit gaussien # FIXME : pas en place
-X_train, y_train  = X[5000:]/255.0 , y[5000:]
+rayon = 2.5 # Rayon de séparation
-X_valid, y_valid = X[:5000]/255.0 , y[:5000]
+marge = 0.25
-classes = ["Tshirt", "Pantalon", "Pull", "Robe", "Manteau", "Sandale", "Chemise", "Basket", "Sac", "Bottine"]
+x1 = np.empty(m) 
+x2 = np.empty(m)
+y = np.empty(m)
+
+# Go !
+j=0
+for i in range (round(m/2)-1):
+
+    # Première gaussienne
+    xc1, yc1 = 2, 2
+    sigma1 = 0.5
+    x1[j] = np.random.normal(xc1, sigma1)
+    x2[j] = np.random.normal(xc1, sigma1)
+    y[j] = 1
+    j+=1
+    
+    # Deuxième gaussienne
+    xc2, yc2 = -2, -2
+    sigma2 = 0.5
+    x1[j] = np.random.normal(xc2, sigma2)
+    x2[j] = np.random.normal(xc2, sigma2)
+    y[j] = 0
+    j+=1
+
+# Split en observations d'entrainement et de validation
+test_size=0.1 # Ratio du lot de test
+m_train = int(np.round(m*(1-test_size)))
+x1_train, x2_train, y_train  = x1[:m_train], x2[:m_train], y[:m_train] # Jeu d'entrainement
+x1_valid, x2_valid, y_valid  = x1[m_train:], x2[m_train:], y[m_train:] # Jeu de validation
+X_train  = np.c_[x1_train, x2_train]
+X_valid  = np.c_[x1_valid, x2_valid]
+
+# Plots
+donnees_ax.plot(x1_train[y_train==1], x2_train[y_train==1], "o", markerfacecolor="tab:blue", markeredgecolor='white', markeredgewidth=0.75)
+donnees_ax.plot(x1_train[y_train==0], x2_train[y_train==0], "o" , markerfacecolor="tab:orange", markeredgecolor='white', markeredgewidth=0.75)
+donnees_ax.plot(x1_valid[y_valid==1], x2_valid[y_valid==1], "o", markerfacecolor='tab:blue', markeredgecolor='black')
+donnees_ax.plot(x1_valid[y_valid==0], x2_valid[y_valid==0], "o", markerfacecolor='tab:orange', markeredgecolor='black')
+
+# Nouvelles observations
+m_new = 100 # Résolution par axes
+x1_new=np.linspace(-6, 6, m_new).reshape(-1, 1)
+x2_new=np.linspace(-6, 6, m_new).reshape(-1, 1)
+x1_new_mg, x2_new_mg = np.meshgrid(x1_new, x2_new)
+X_new = np.c_[x1_new_mg.ravel(), x2_new_mg.ravel()]
 
 ###############################################################################
 # Phase d'apprentissage
 ###############################################################################
 
-n = 30 # Nombre d'itérations (valeur par défaut : 30 , hyperparamètre)
+n = 50 # Nombre d'itérations (valeur par défaut : 40 , hyperparamètre)
 eta = 0.01 # Taux d'appentissage (valeur par défaut dans Keras : 0.01, hyperparamètre)
 lot=32 # Taille de lot (valeur par défaut dans Keras: 32 , hyperparamètre)
-perte="sparse_categorical_crossentropy" # Type de perte (hyperparamètre)
+
-#perte="mse" # Type de perte (hyperparamètre)
+# perte="sparse_categorical_crossentropy" # Type de perte (hyperparamètre)
+perte="mse" # Type de perte (hyperparamètre)
+# perte='mean_absolute_error'
 
 keras.backend.clear_session()
-# np.random.seed(42)
-# tf.random.set_seed(42)
-
 model = keras.models.Sequential() # Modèle de reseau de neurones
-model.add(keras.layers.Flatten(input_shape=[28, 28])) # Couche d'entrée : mise à plat des données d'entrée -> 1 node / pixel soit 784 (28x28)
+model.add(keras.layers.Dense(2, input_dim=2, activation="relu")) # Couche 1 : 2 nodes
-model.add(keras.layers.Dense(300, activation="relu")) # Couche 1 : 300 nodes
+model.add(keras.layers.Dense(1, activation="sigmoid")) # Couche de sortie : 1 node par classe
-# model.add(keras.layers.Dense(300, activation="relu")) # Couche 2 : 300 nodes -> passage de 100 à 300
-# model.add(keras.layers.Dense(300, activation="relu")) # Couche 3 : 300 nodes -> ajout
-model.add(keras.layers.Dense(100, activation="relu")) # Couche 4 : 100 nodes -> ajout
-model.add(keras.layers.Dense(10, activation="softmax")) # Couche de sortie : 1 node par classe soit 10
 
-# model.compile(loss="sparse_categorical_crossentropy", optimizer="sgd", metrics=["accuracy"])
 optimiseur=keras.optimizers.SGD(learning_rate= eta)
 model.compile(loss=perte, optimizer=optimiseur, metrics=["accuracy"]) # Compilation du modèle
 
@@ -114,20 +146,8 @@ apts = model.fit(X_train, y_train, epochs=n, batch_size=lot, validation_data=(X_
 # Phase d'inférence
 ###############################################################################
 
-# X_new=[]
+y_predict=model.predict(X_new) # Prédiction
-# y_new=[]
+y_predict_map = y_predict.reshape(x1_new_mg.shape)
-# for i in range(8):
-#     idx = np.random.randint(X_test.shape[0]) # Index aléatoire
-#     X_new.append(X_test[idx:idx+1]/255.0)
-#     y_new.append(y_test[idx:idx+1])
-
-idx = np.random.randint(X_test.shape[0]-32) # Index aléatoire
-print ("\n")
-print ("Test sur les images de "+ str(idx) + " à "+ str(idx+32) + " sur un jeu de 10 000 images.")
-X_new = X_test[idx:idx+32]
-y_new = np.argmax(model.predict(X_new), axis=-1)
-y_new_test= y_test[idx:idx+32]
-print ("\n")
 
 ###############################################################################
 # Résultats
@@ -147,20 +167,21 @@ apts_ax.plot(apts.epoch, apts.history['loss'], 'b-', label="Perte - entrainement
 apts_ax.plot(apts.epoch, apts.history['val_loss'], 'r-', label="Perte - validation")
 apts_ax.plot(apts.epoch, apts.history['accuracy'], 'b:', label="Précision - entrainement")
 apts_ax.plot(apts.epoch, apts.history['val_accuracy'], 'r:', label="Précision - validation")
-apts_ax.set(ylim=(0, 1))
+apts_ax.set(ylim=(-0.05, 1.05))
 apts_ax.set_xlabel("Époque")
 apts_ax.legend()
 
-# Prédictions
+# Plot des données
-for i in range (8):
+donnees_ax.set_title("Données")
-    for j in range (4):
+new_colors = ["tab:orange", "white", "tab:blue"]
-        img_ax[j][i].imshow(X_new[i*2+j], cmap="binary", interpolation="nearest")
+new_cmap = LinearSegmentedColormap.from_list("mycmap", new_colors) # FIXME : faire un dégradé
-        img_ax[j][i].set_axis_off()
+cc = donnees_ax.contourf(x1_new_mg, x2_new_mg, y_predict_map, cmap=new_cmap)
-        if y_new[i*2+j] == y_new_test[i*2+j]:
+donnees_ax.set_xticks([-5,0,5])
-            img_ax[j][i].set_title(classes[y_new[i*2+j]], fontsize=10)
+donnees_ax.set_yticks([-5,0,5])
-        else:
+donnees_ax.set_xlabel(r'$x_1$')
-            img_ax[j][i].set_title(classes[y_new[i*2+j]], fontsize=10, color="red")
+donnees_ax.set_ylabel(r'$x_2$', rotation=0)
-
+donnees_ax.set(xlim=(-5.25, 5.25), ylim=(-5.25, 5.25))
+fig.colorbar(cc, ax=donnees_ax)
 plt.show()
 
 # Performances

02-intro_rna/README.md

@@ -16,4 +16,9 @@
 
 ![capture d'écran](img/04-keras-tf_playground-xor.png)
 
+### Réseaux de neurones avec Keras - Classificateur : Points sur des gaussiennes
+
+![capture d'écran](img/05-keras-tf_playground-gauss.png)
+
+