Vision par ordinateur : réécriture du modèle RNA simple

This commit is contained in:
Philippe Roy 2023-07-03 12:27:26 +02:00
parent 255b1a6c60
commit 795b1f98c2
4 changed files with 56 additions and 140 deletions

View File

@ -1 +0,0 @@
phroy@debian.1845707:1687544904

View File

@ -6,8 +6,8 @@ import tensorflow as tf
from tensorflow import keras
###############################################################################
# 01-digit_simple.py
# @title: Vision par ordinateur - Reconnaissance de digit - Préparation des données
# 01-digit-prepa_data.py
# @title: Vision par ordinateur - Reconnaissance de digit - Analyse et préparation des données
# @project: Mes scripts de ML
# @lang: fr
# @authors: Philippe Roy <philippe.roy@ac-grenoble.fr>
@ -53,17 +53,10 @@ from tensorflow import keras
t_debut = time.time()
# Init des plots
# fig = plt.figure(layout="constrained", figsize=(15, 5))
fig = plt.figure(layout="constrained", figsize=(20, 7))
fig.suptitle("Vision par ordinateur - Reconnaissance de digit par réseaux de neurones simples")
# subfigs = fig.subfigures(1, 3)
# model_ax = subfigs[0].subplots(1, 1)
# apts_ax = subfigs[1].subplots(1, 1)
# img_ax = subfigs[2].subplots(8, 10)
fig.suptitle(" Vision par ordinateur - Reconnaissance de digit - Analyse et préparation des données")
img_ax = fig.subplots(10, 30)
###############################################################################
# Observations
###############################################################################

View File

@ -53,16 +53,12 @@ from tensorflow import keras
t_debut = time.time()
# Init des plots
# fig = plt.figure(layout="constrained", figsize=(15, 5))
fig = plt.figure(layout="constrained", figsize=(20, 7))
fig = plt.figure(layout="constrained", figsize=(15, 5))
fig.suptitle("Vision par ordinateur - Reconnaissance de digit par réseaux de neurones simples")
# subfigs = fig.subfigures(1, 3)
# model_ax = subfigs[0].subplots(1, 1)
# apts_ax = subfigs[1].subplots(1, 1)
# img_ax = subfigs[2].subplots(8, 10)
img_ax = fig.subplots(10, 30)
subfigs = fig.subfigures(1, 3)
model_ax = subfigs[0].subplots(1, 1)
apts_ax = subfigs[1].subplots(1, 1)
img_ax = subfigs[2].subplots(8, 10)
###############################################################################
# Observations
@ -71,35 +67,32 @@ img_ax = fig.subplots(10, 30)
# Observations d'apprentissage, de validation et de test
chiffre = keras.datasets.mnist # Jeu de données MNIST (digit)
# train_filter = np.unique(Y_train, return_index=True)
# X_train, Y_train = X_train[train_filter[1:]], Y_train[train_filter[1:]]
(X, y), (X_test, y_test) = chiffre.load_data()
X_train, y_train = X[5000:]/255.0 , y[5000:]
X_valid, y_valid = X[:5000]/255.0 , y[:5000]
classes = [0,1,2,3,4,5,6,7,8,9]
# ###############################################################################
# # Phase d'apprentissage
# ###############################################################################
###############################################################################
# Phase d'apprentissage
###############################################################################
# n = 2 # 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)
n = 50 # 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)
# 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)
# 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 -> ajout
# model.add(keras.layers.Dense(10, activation="softmax")) # Couche de sortie : 1 node par classe soit 10
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 -> ajout
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
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
apts = model.fit(X_train, y_train, epochs=n, batch_size=lot, validation_data=(X_valid, y_valid)) # Entrainement
###############################################################################
# Phase d'inférence
@ -108,116 +101,47 @@ classes = [0,1,2,3,4,5,6,7,8,9]
print ("\n")
print ("Test sur les 80 images différentes sur un jeu de 10 000 images.")
# X_new = np.empty([80, 28, 28])
# y_new_test = np.empty(80)
# for i_new in range(80):
# # print ("i_new ", i_new )
# # Boucle de remplissage
# deja_present=True
# while deja_present == True:
# idx = np.random.randint(X_test.shape[0]) # Index aléatoire
# # print ("idx ", idx )
# X_idx = X_test[idx]
# # Comparaison de chaque images présentes avec image idx
# deja_present_unitaire=[]
# for i_img in range (80):
# # print ("i_img ", i_img )
# deja_present_unitaire.append(True)
# for j in range (28):
# for k in range (28):
# if X_new[i_img][j][k] != X_idx[j][k]:
# deja_present_unitaire[i_img]=False
# # Test sur l'ensemble des images
# deja_present=False
# for i_img in range (80):
# if deja_present_unitaire[i_img]==True:
# deja_present = True
# # Ajout de la nouvelle image idx
# X_new[i_new]=X_test[idx]
# y_new_test[i_new] = y_test[idx]
# print ("ajout ", i_new, idx)
# FIXME : ne marche pas -> à faire à la main
# (X_train, Y_train), (X_test, Y_test) = tf.keras.datasets.mnist.load_data()
# train_filter = np.unique(Y_train, return_index=True)
# X_train, Y_train = X_train[train_filter[1:]], Y_train[train_filter[1:]]
X_new_unique = np.unique(X_test, axis=0, return_index=True)
# X_new = np.empty([80, 28, 28])
# y_new_test = np.empty(80)
# new_unique = random.sample(list(X_new_unique_i), 80)
# for i in range(80):
# X_new[i]=X_test[new_unique[i]]
# y_new_test[i] = y_test[new_unique[i]]
# X_new_idx = np.empty(80)
# for i in range(80):
# # Vérification que l'index aléatoire n'a pas été
# idx_unique= False
# while idx_unique ==False :
# idx_unique= True
# idx = np.random.randint(len(test_filter[1])) # Index aléatoire
# for j in range (80):
# if X_new_idx[j] == idx:
# idx_unique= False
# X_new[i]=X_test[idx]
# y_new_test[i] = y_test[idx]
# y_new = np.argmax(model.predict(X_new), axis=-1)
idx = np.random.randint(X_test.shape[0]-80) # Index aléatoire
print ("\n")
print ("Test sur les images de "+ str(idx) + " à "+ str(idx+80) + " sur un jeu de 10 000 images.")
X_new = X_test[idx:idx+80]
y_new = np.argmax(model.predict(X_new), axis=-1) # Prédictions
y_new_test= y_test[idx:idx+80] # Cibles
print ("\n")
# ###############################################################################
# # Résultats
# ###############################################################################
# # Modèle
# model_ax.set_title("Modèle")
# 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
# Modèle
model_ax.set_title("Modèle")
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
# 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(ylim=(0, 1))
# apts_ax.set_xlabel("Époque")
# apts_ax.legend()
# # Prédictions
# for i in range (10):
# for j in range (8):
# 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")
# Courbes d'apprentissage
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(ylim=(0, 1))
apts_ax.set_xlabel("Époque")
apts_ax.legend()
# Prédictions
k=0
for i in range (10): # Ligne
for j in range (30): # Colonne
img_ax[i][j].imshow(X_test[k], cmap="binary", interpolation="nearest")
img_ax[i][j].set_axis_off()
img_ax[i][j].set_title(str(k)+" : "+str(y_test[k]), fontsize=10)
k+=1
for i in range (10):
for j in range (8):
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(y_new[i*2+j], fontsize=10)
else:
img_ax[j][i].set_title(y_new[i*2+j], fontsize=10, color="red")
plt.show()
# Performances
print ("Temps total : "+str(time.time()-t_debut))

View File

@ -7,7 +7,7 @@ from tensorflow import keras
###############################################################################
# 03-digit-cnn.py
# @title: Vision par ordinateur -Reconnaissance de digit - Réseaux de neurones convolutifs
# @title: Vision par ordinateur - Reconnaissance de digit - Réseaux de neurones convolutifs
# @project: Mes scripts de ML
# @lang: fr
# @authors: Philippe Roy <philippe.roy@ac-grenoble.fr>