Ajout du réseau Keras classificateur d'images

02-intro_rna/02-keras-classificateur_img.py

@@ -59,12 +59,11 @@ t_debut = time.time()
 
 # Init des plots
 fig = plt.figure(layout="constrained", figsize=(15, 5))
+fig.suptitle("Réseaux de neurones avec Keras - Classificateur d'images")
 subfigs = fig.subfigures(1, 3)
 model_ax = subfigs[0].subplots(1, 1)
 apts_ax = subfigs[1].subplots(1, 1)
-# apts_ax = subfigs[1].subplots(2, 1)
 img_ax = subfigs[2].subplots(4, 8)
-fig.suptitle("Réseaux de neurones avec Keras - Classificateur d'images")
 
 ###############################################################################
 # Observations
@@ -85,7 +84,7 @@ n = 30 # Nombre d'itérations (valeur par défaut : 30 , 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)
-#loss="mse" # Type de perte (hyperparamètre)
+#perte="mse" # Type de perte (hyperparamètre)
 
 keras.backend.clear_session()
 # np.random.seed(42)
@@ -103,7 +102,7 @@ model.add(keras.layers.Dense(10, activation="softmax")) # Couche de sortie : 1 n
 optimiseur=keras.optimizers.SGD(learning_rate= eta)
 model.compile(loss=perte, optimizer=optimiseur, metrics=["accuracy"]) # Compilation du modèle
 
-apts = model.fit(X_train, y_train, epochs=n, batch_size=lot, validation_data=(X_valid, y_valid)) # Entrainement / Apprentissage
+apts = model.fit(X_train, y_train, epochs=n, batch_size=lot, validation_data=(X_valid, y_valid)) # Entrainement
 
 ###############################################################################
 # Phase d'inférence
@@ -116,12 +115,13 @@ apts = model.fit(X_train, y_train, epochs=n, batch_size=lot, validation_data=(X_
 #     X_new.append(X_test[idx:idx+1]/255.0)
 #     y_new.append(y_test[idx:idx+1])
 
-idx_new = np.random.randint(X_test.shape[0]-32) # Index aléatoire
+idx = np.random.randint(X_test.shape[0]-32) # Index aléatoire
 print ("\n")
-print ("Test sur les images de "+ str(idx_new) + " à "+ str(idx_new+32) + " sur un jeu de 10 000 images.")
-X_new = X_test[idx_new:idx_new+32]
+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_new:idx_new+32]
+y_new_test= y_test[idx:idx+32]
+print ("\n")
 
 ###############################################################################
 # Résultats
@@ -133,15 +133,9 @@ keras.utils.plot_model(model, "model.png", show_shapes=True)
 model_img=plt.imread("model.png")
 model_ax.imshow(model_img)
 model_ax.set_axis_off()
+os.remove("model.png") # Supression du fichier temporaire
 
 # Courbes d'apprentissage
-
-def derivation(courbe):
-    df = []
-    for i in range (len(courbe)-1):
-        df.append(courbe[i+1]-courbe[i])
-    return df
-
 apts_ax.set_title("Courbes d'apprentissage")
 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")
@@ -151,14 +145,6 @@ apts_ax.set(ylim=(0, 1))
 apts_ax.set_xlabel("Époque")
 apts_ax.legend()
 
-# apts_ax[1].plot(apts.epoch[:-1], derivation(apts.history['loss']), 'b-', label="Perte - entrainement")
-# apts_ax[1].plot(apts.epoch[:-1], derivation(apts.history['val_loss']), 'r-', label="Perte - validation")
-# apts_ax[1].plot(apts.epoch[:-1], derivation(apts.history['accuracy']), 'b:', label="Précision - entrainement")
-# apts_ax[1].plot(apts.epoch[:-1], derivation(apts.history['val_accuracy']), 'r:', label="Précision - validation")
-# apts_ax[1].legend()
-# apts_ax[1].set(xlim=(0, len(apts.epoch)+1))
-# apts_ax[1].set_xlabel("Époque")
-
 # Prédictions
 for i in range (8):
     for j in range (4):
@@ -170,7 +156,6 @@ for i in range (8):
             img_ax[j][i].set_title(classes[y_new[i*2+j]], fontsize=10, color="red")
 
 plt.show()
-os.remove("model.png") # Supression du fichier temporaire
 
 # Performances
 print ("Temps total  : "+str(time.time()-t_debut))