Ajout du réseau Keras classificateur d'images

02-intro_rna/02-keras-classificateur_img.py

@@ -62,14 +62,15 @@ fig = plt.figure(layout="constrained", figsize=(15, 5))
 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")
+fig.suptitle("Réseaux de neurones avec Keras - Classificateur d'images")
 
 ###############################################################################
 # Observations
 ###############################################################################
 
-# Observations d'apprentissage, de validation et nouvelles
+# 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()
 X_train, y_train  = X[5000:]/255.0 , y[5000:]
@@ -80,8 +81,11 @@ classes = ["Tshirt", "Pantalon", "Pull", "Robe", "Manteau", "Sandale", "Chemise"
 # Phase d'apprentissage
 ###############################################################################
 
-# eta = 0.01 # Taux d'appentissage (valeur par défaut : 0.1, hyperparamètre)
 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)
 
 keras.backend.clear_session()
 # np.random.seed(42)
@@ -90,12 +94,16 @@ 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.add(keras.layers.Dense(300, activation="relu")) # Couche 1 : 300 nodes
-model.add(keras.layers.Dense(100, activation="relu")) # Couche 2 : 100 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
 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"]) # Compilation du modèle
+# 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
 
-apts = model.fit(X_train, y_train, epochs=n, 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 / Apprentissage
 
 ###############################################################################
 # Phase d'inférence
@@ -127,15 +135,30 @@ model_ax.imshow(model_img)
 model_ax.set_axis_off()
 
 # 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")
 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_xlabel("Époque")
 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):