Vision par ordinateur : modèle convolutif

03-vision/02-digit-simple.py

@@ -75,7 +75,7 @@ X_valid, y_valid = X[:5000]/255.0 , y[:5000]
 # Phase d'apprentissage
 ###############################################################################
 
-n = 50 # Nombre d'itérations (valeur par défaut : 50 , hyperparamètre)
+n = 200 # Nombre d'itérations (valeur par défaut : 50 , 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)
 
@@ -83,8 +83,8 @@ perte="sparse_categorical_crossentropy" # Type de perte (hyperparamètre)
 #perte="mse" # Type de perte (hyperparamètre)
 
 keras.backend.clear_session()
-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 = keras.models.Sequential() # Modèle de réseau de neurones
+model.add(keras.layers.Flatten(input_shape=[28, 28])) # Couche de mise à plat des données -> 1 node / pixel soit 784 (28x28)
 model.add(keras.layers.Dense(300, activation="relu")) # Couche 1 : 300 nodes
 model.add(keras.layers.Dense(100, activation="relu")) # Couche 2 : 100 nodes -> ajout
 model.add(keras.layers.Dense(10, activation="softmax")) # Couche de sortie : 1 node par classe soit 10

03-vision/03-digit-cnn.py

@@ -38,6 +38,9 @@ from tensorflow import keras
 # - model.add : ajout d'une couche
 # - keras.layers.Flatten : couche de formatage de mise à plat
 # - keras.layers.Dense : couche de neurones
+# - keras.layers.Conv2D : couche de convolution 2D (filtre)
+# - keras.layers.MaxPool2D : couche d'agrégation des cartes (noyaux de convolution) type Pooling max
+# - keras.layers.Dropout : couche de régularisation type Dropout 
 # - keras.backend.clear_session() : reset de la session
 # - model.compile : compilation du modèle
 # - model.fit : entrainement du modèle
@@ -49,57 +52,71 @@ 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.suptitle("Réseaux de neurones avec Keras - Classificateur d'images")
+fig.suptitle("Vision par ordinateur - Reconnaissance de digit par réseaux de neurones convolutifs")
 subfigs = fig.subfigures(1, 3)
 model_ax = subfigs[0].subplots(1, 1)
 apts_ax = subfigs[1].subplots(1, 1)
-img_ax = subfigs[2].subplots(4, 8)
+img_ax = subfigs[2].subplots(10, 15)
 
 ###############################################################################
 # Observations
 ###############################################################################
 
 # Observations d'apprentissage, de validation et de test
-vetement = keras.datasets.fashion_mnist # Jeu de données Fashion MNIST 
-(X, y), (X_test, y_test) = vetement.load_data()
+mnist = keras.datasets.mnist # Jeu de données MNIST (digit)
+(X, y), (X_test, y_test) = mnist.load_data()
 X_train, y_train  = X[5000:]/255.0 , y[5000:]
 X_valid, y_valid = X[:5000]/255.0 , y[:5000]
-classes = ["Tshirt", "Pantalon", "Pull", "Robe", "Manteau", "Sandale", "Chemise", "Basket", "Sac", "Bottine"]
+
+X_train = X_train[..., np.newaxis] # Ajout du canal nuance de gris
+X_valid = X_valid[..., np.newaxis] # Ajout du canal nuance de gris
+X_test = X_test[..., np.newaxis] # Ajout du canal nuance de gris
 
 ###############################################################################
 # Phase d'apprentissage
 ###############################################################################
 
-n = 30 # Nombre d'itérations (valeur par défaut : 30 , hyperparamètre)
+n = 10 # Nombre d'itérations (valeur par défaut : 10 , 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)
 
 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(300, activation="relu")) # Couche 1 : 300 nodes
-# 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
+
+# Version 2
+model.add(keras.layers.Conv2D(64, kernel_size=7, padding="same", input_shape=[28,28,1], activation="relu")) # Couche de convolution avec 64 cartes
+model.add(keras.layers.MaxPool2D(2)) # Couche d'agrégation des cartes type Pooling max
+model.add(keras.layers.Conv2D(128, kernel_size=3, padding="same", activation="relu")) # Couche de convolution avec 128 cartes
+model.add(keras.layers.Conv2D(128, kernel_size=3, padding="same", activation="relu")) # Couche de convolution avec 128 cartes
+model.add(keras.layers.MaxPool2D(2)) # Couche d'agrégation des cartes type Pooling max
+model.add(keras.layers.Conv2D(256, kernel_size=3, padding="same", activation="relu")) # Couche de convolution avec 256 cartes
+model.add(keras.layers.Conv2D(256, kernel_size=3, padding="same", activation="relu")) # Couche de convolution avec 256 cartes
+model.add(keras.layers.MaxPool2D(2)) # Couche d'agrégation des cartes type Pooling max
+model.add(keras.layers.Flatten()) # Couche de mise à plat des données
+model.add(keras.layers.Dense(128, activation="relu")) # Couche dense : 128 nodes
+model.add(keras.layers.Dropout(0.5)) # Couche de régularisation type dropout 
+model.add(keras.layers.Dense(64, activation="relu")) # Couche dense : 64 nodes
+model.add(keras.layers.Dropout(0.5)) # Couche de régularisation type dropout
 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"])
+# Version 1
+# model.add(keras.layers.Conv2D(32, kernel_size=3, padding="same", activation="relu")) # Couche de convolution avec 32 cartes
+# model.add(keras.layers.Conv2D(64, kernel_size=3, padding="same", activation="relu")) # Couche de convolution avec 64 cartes
+# model.add(keras.layers.MaxPool2D()) # Couche d'agrégation des cartes type Pooling max
+# model.add(keras.layers.Flatten()) # Couche de mise à plat des données
+# model.add(keras.layers.Dropout(0.25)) # Couche de régularisation type dropout 
+# model.add(keras.layers.Dense(128, activation="relu")) # Couche dense : 128 nodes
+# model.add(keras.layers.Dropout(0.5)) # Couche de régularisation type dropout 
+# model.add(keras.layers.Dense(10, activation="softmax")) # Couche de sortie : 1 node par classe soit 10
+
 optimiseur=keras.optimizers.SGD(learning_rate= eta)
 model.compile(loss=perte, optimizer=optimiseur, metrics=["accuracy"]) # Compilation du modèle
 
@@ -109,25 +126,61 @@ apts = model.fit(X_train, y_train, epochs=n, batch_size=lot, validation_data=(X_
 # Phase d'inférence
 ###############################################################################
 
-# FIXME : prendre 8 images aléatoirement
-# X_new=[]
-# y_new=[]
-# 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]
+# Inférence sur la totalité du jeu de test
 print ("\n")
+print ("Test sur le jeu de test (10 000 images).")
+X_new = X_test
+y_new = np.argmax(model.predict(X_new), axis=-1) # Prédictions
+y_new_target= y_test # Cibles
+eval=model.evaluate(X_new, y_new_target)
+# print ("Il y a "+str(int(np.round((1-eval[1])*X_new.shape[0]))) + " images non reconnues.\n")
 
-###############################################################################
-# Résultats
-###############################################################################
+# Division du jeu de test par classes
+print ("\n")
+print ("Test sur les jeux divisés par classe.")
+_X_new_classes_lst=[]
+_y_new_target_classes_lst=[]
+for i in range (10): # Classe
+    _X_new_classe=[]
+    _y_new_target_classe=[]
+    for j in range (X_new.shape[0]): # Lecture de toutes les images
+        if y_new_target[j] == i:
+            _X_new_classe.append(X_new[j])
+            _y_new_target_classe.append(y_new[j])
+    _X_new_classes_lst.append(_X_new_classe)
+    _y_new_target_classes_lst.append(_y_new_target_classe)
+
+# Remplissage du tableau à partir de la liste
+X_new_classes=[]
+y_new_target_classes=[]
+for i in range (10):
+    X_new_classes.append(np.empty(shape=(len(_X_new_classes_lst[i]),28,28,1)))
+    y_new_target_classes.append(np.empty(shape=(len(_y_new_target_classes_lst[i]),)))
+    for j in range (len(_X_new_classes_lst[i])):
+        X_new_classes[i][[j]]=_X_new_classes_lst[i][j]
+        y_new_target_classes[i][[j]]=_y_new_target_classes_lst[i][j]
+
+# Inférence sur les jeux par classe
+y_new_classes=[]
+for i in range (10):
+    y_new_classes.append(np.argmax(model.predict(X_new_classes[i]), axis=-1)) # Prédictions
+somme=0
+print ("\n")
+for i in range (10):
+    k=0
+    for j in range (X_new_classes[i].shape[0]):
+        if y_new_classes[i][j] != i:
+            k +=1
+            somme +=1
+    print ("Dans la classe "+str(i)+", il y a "+str(k) + " images non reconnues sur "+ str(X_new_classes[i].shape[0])+".")
+
+print ("\n")
+print ("Au total, il y a "+str(somme) + " images non reconnues sur 10 000.")
+print ("Soit une précision de "+str(1-(somme/10000))+".")
+
+# ###############################################################################
+# # Résultats
+# ###############################################################################
 
 # Modèle
 model_ax.set_title("Modèle")
@@ -148,16 +201,20 @@ apts_ax.set_xlabel("Époque")
 apts_ax.legend()
 
 # Prédictions
-for i in range (8):
-    for j in range (4):
-        img_ax[j][i].imshow(X_new[i*2+j], cmap="binary", interpolation="nearest")
-        img_ax[j][i].set_axis_off()
-        if y_new[i*2+j] == y_new_test[i*2+j]:
-            img_ax[j][i].set_title(classes[y_new[i*2+j]], fontsize=10)
-        else:
-            img_ax[j][i].set_title(classes[y_new[i*2+j]], fontsize=10, color="red")
+for ligne in range (10): # Ligne
+    i_first=-1
+    for colonne in range (15): # Colonne
+        for i in range (i_first+1, X_new.shape[0]):
+            img_ax[ligne][colonne].set_axis_off()
+            if y_new_target[i] == ligne and y_new[i]!=y_new_target[i]:
+            # if y_test[i] == 2:
+                img_ax[ligne][colonne].imshow(X_new[i], cmap="binary", interpolation="nearest")
+                img_ax[ligne][colonne].set_title(str(y_new[i]), fontsize=10, color="red")
+                i_first=i
+                break
 
 plt.show()
 
 # Performances
+print ("\n")
 print ("Temps total  : "+str(time.time()-t_debut))