mirror of
https://forge.apps.education.fr/phroy/mes-scripts-de-ml.git
synced 2024-01-27 11:30:36 +01:00
Vision par ordinateur : modèle convolutif
This commit is contained in:
parent
ea66fcab02
commit
5540d09541
@ -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
|
||||
|
@ -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))
|
||||
|
BIN
03-vision/img/03-digit-cnn.png
Normal file
BIN
03-vision/img/03-digit-cnn.png
Normal file
Binary file not shown.
After Width: | Height: | Size: 356 KiB |
Loading…
Reference in New Issue
Block a user