README : Crash Course de Google

02-intro_rna/02-keras-classificateur_img.py

@@ -35,12 +35,13 @@ from tensorflow import keras
 ###
 # Commandes Keras :
 # - keras.models.Sequential() : créer un modèle où les couches de neurones sont reliées séquentiellement (modèle simple)
-# - keras.layers.Flatten : ajout d'une couche de formatage de mise à plat
-# - keras.layers.Dense : ajout d'une couche de neurones
+# - model.add : ajout d'une couche
+# - keras.layers.Flatten : couche de formatage de mise à plat
+# - keras.layers.Dense : couche de neurones
 # - keras.backend.clear_session() : reset de la session
-# - .compile : compilation du modèle
-# - .fit : entrainement du modèle
-# - .predict : prédiction du modèle
+# - model.compile : compilation du modèle
+# - model.fit : entrainement du modèle
+# - model.predict : prédiction du modèle
 # - keras.utils.plot_model : créer le diagramme d'un modèle
 ###
 

02-intro_rna/03-keras-tf_playground-cercle.py

@@ -43,12 +43,13 @@ from tensorflow import keras
 ###
 # Commandes Keras :
 # - keras.models.Sequential() : créer un modèle où les couches de neurones sont reliées séquentiellement (modèle simple)
-# - keras.layers.Flatten : ajout d'une couche de formatage de mise à plat
-# - keras.layers.Dense : ajout d'une couche de neurones
+# - model.add : ajout d'une couche
+# - keras.layers.Flatten : couche de formatage de mise à plat
+# - keras.layers.Dense : couche de neurones
 # - keras.backend.clear_session() : reset de la session
-# - .compile : compilation du modèle
-# - .fit : entrainement du modèle
-# - .predict : prédiction du modèle
+# - model.compile : compilation du modèle
+# - model.fit : entrainement du modèle
+# - model.predict : prédiction du modèle
 # - keras.utils.plot_model : créer le diagramme d'un modèle
 ###
 

02-intro_rna/04-keras-tf_playground-xor.py

@@ -43,12 +43,13 @@ from tensorflow import keras
 ###
 # Commandes Keras :
 # - keras.models.Sequential() : créer un modèle où les couches de neurones sont reliées séquentiellement (modèle simple)
-# - keras.layers.Flatten : ajout d'une couche de formatage de mise à plat
-# - keras.layers.Dense : ajout d'une couche de neurones
+# - model.add : ajout d'une couche
+# - keras.layers.Flatten : couche de formatage de mise à plat
+# - keras.layers.Dense : couche de neurones
 # - keras.backend.clear_session() : reset de la session
-# - .compile : compilation du modèle
-# - .fit : entrainement du modèle
-# - .predict : prédiction du modèle
+# - model.compile : compilation du modèle
+# - model.fit : entrainement du modèle
+# - model.predict : prédiction du modèle
 # - keras.utils.plot_model : créer le diagramme d'un modèle
 ###
 

02-intro_rna/05-keras-tf_playground-gauss.py

@@ -43,12 +43,13 @@ from tensorflow import keras
 ###
 # Commandes Keras :
 # - keras.models.Sequential() : créer un modèle où les couches de neurones sont reliées séquentiellement (modèle simple)
-# - keras.layers.Flatten : ajout d'une couche de formatage de mise à plat
-# - keras.layers.Dense : ajout d'une couche de neurones
+# - model.add : ajout d'une couche
+# - keras.layers.Flatten : couche de formatage de mise à plat
+# - keras.layers.Dense : couche de neurones
 # - keras.backend.clear_session() : reset de la session
-# - .compile : compilation du modèle
-# - .fit : entrainement du modèle
-# - .predict : prédiction du modèle
+# - model.compile : compilation du modèle
+# - model.fit : entrainement du modèle
+# - model.predict : prédiction du modèle
 # - keras.utils.plot_model : créer le diagramme d'un modèle
 ###
 

02-intro_rna/06-keras-tf_playground-spiral.py

@@ -43,12 +43,13 @@ from tensorflow import keras
 ###
 # Commandes Keras :
 # - keras.models.Sequential() : créer un modèle où les couches de neurones sont reliées séquentiellement (modèle simple)
-# - keras.layers.Flatten : ajout d'une couche de formatage de mise à plat
-# - keras.layers.Dense : ajout d'une couche de neurones
+# - model.add : ajout d'une couche
+# - keras.layers.Flatten : couche de formatage de mise à plat
+# - keras.layers.Dense : couche de neurones
 # - keras.backend.clear_session() : reset de la session
-# - .compile : compilation du modèle
-# - .fit : entrainement du modèle
-# - .predict : prédiction du modèle
+# - model.compile : compilation du modèle
+# - model.fit : entrainement du modèle
+# - model.predict : prédiction du modèle
 # - keras.utils.plot_model : créer le diagramme d'un modèle
 ###
 

02-intro_rna/07-keras-regression.py

@@ -0,0 +1,156 @@
+import os, time
+import numpy as np
+import matplotlib.pyplot as plt
+
+import sklearn
+from sklearn import datasets
+from sklearn.model_selection import train_test_split
+from sklearn.preprocessing import StandardScaler
+
+import tensorflow as tf
+from tensorflow import keras
+
+###############################################################################
+# 07-keras-regression.py
+# @title: Introduction aux réseaux de neurones - Réseaux de neurones avec Keras - Regression
+# @project: Mes scripts de ML
+# @lang: fr
+# @authors: Philippe Roy <philippe.roy@ac-grenoble.fr>
+# @copyright: Copyright (C) 2023 Philippe Roy
+# @license: GNU GPL
+###############################################################################
+
+###
+# Installation : 
+# - pip3 install tensorflow
+# - pip3 install keras
+# - pip3 install pydot
+# - pip3 install graphviz
+###
+
+###
+# Commandes NumPy :
+# - np.array : créer un tableau à partir d'une liste de listes
+# - np.c_ : concatène les colonnes des tableaux
+# - np.linspace : créer un tableau 1D de la valeur de début à la valeur de fin avec n valeurs
+# - np.meshgrid : créer un tableau 2D avec l'ensemble des combinaisons allant des deux valeurs de début aux deux valeurs de fin
+# - .reshape : reformater la tableau avec le nombre de lignes et le nombre de colonnes
+###
+
+###
+# Commandes Scikit-Learn :
+# - sklearn.model_selection.train_test_split : partage les données en jeu d'entrainnement et en jeu de test (test_size de 0,25 par défaut)
+# - sklearn.preprocessing.StandardScaler() : normalise les données : moyenne nulle et variance unitaire
+# - scaler.fit_transform : entrainement et application de la normalisation
+# - scaler.transform : application de la normalisation (préentrainée)
+###
+
+###
+# Commandes Keras :
+# - keras.models.Sequential() : créer un modèle où les couches de neurones sont reliées séquentiellement (modèle simple)
+# - model.add : ajout d'une couche
+# - keras.layers.Flatten : couche de formatage de mise à plat
+# - keras.layers.Dense : couche de neurones
+# - keras.backend.clear_session() : reset de la session
+# - model.compile : compilation du modèle
+# - model.fit : entrainement du modèle
+# - model.predict : prédiction du modèle
+# - keras.utils.plot_model : créer le diagramme d'un modèle
+###
+
+###############################################################################
+# Initialisation
+###############################################################################
+
+# Init du temps
+t_debut = time.time()
+
+# Init des plots
+fig = plt.figure(figsize=(15, 5))
+fig.suptitle("Réseaux de neurones avec Keras - Regression")
+model_ax = fig.add_subplot(131) # Modèle
+apts_ax = fig.add_subplot(132) # Courbes d'apprentissage
+donnees_ax = fig.add_subplot(133) # Observations : x1,x2 et cibles : y
+
+###############################################################################
+# Observations
+###############################################################################
+
+# Observations d'apprentissage, de validation et de test
+housing = sklearn.datasets.fetch_california_housing() # Jeu de données California housing
+X, X_test, y, y_test = sklearn.model_selection.train_test_split(housing.data, housing.target, random_state=42)
+X_train, X_valid, y_train, y_valid = train_test_split(X, y, random_state=42)
+
+# Normalisation
+scaler = sklearn.preprocessing.StandardScaler()
+X_train = scaler.fit_transform(X_train)
+X_valid = scaler.transform(X_valid)
+X_test = scaler.transform(X_test)
+
+###############################################################################
+# Phase d'apprentissage
+###############################################################################
+
+n = 20 # Nombre d'itérations (valeur par défaut : 20 , 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="mse" # Type de perte (hyperparamètre)
+# perte="mean_squared_error"
+# perte='mean_absolute_error'
+# perte="sparse_categorical_crossentropy"
+
+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.Dense(30, input_shape=X_train.shape[1:], activation="relu")) # Couche 1 : 30 nodes
+model.add(keras.layers.Dense(1)) # Couche de sortie : 1 node par classe
+
+optimiseur=keras.optimizers.SGD(learning_rate= eta)
+model.compile(loss=perte, optimizer=optimiseur) # Compilation du modèle
+
+apts = model.fit(X_train, y_train, epochs=n, batch_size=lot, validation_data=(X_valid, y_valid)) # Entrainement
+
+###############################################################################
+# Phase d'inférence
+###############################################################################
+
+X_new = X_test[:3]
+y_pred = model.predict(X_new) # Prédiction
+
+###############################################################################
+# 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
+
+# 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.set(ylim=(-0.05, 1.05))
+apts_ax.set_xlabel("Époque")
+apts_ax.legend()
+
+# # Plot des données
+# donnees_ax.set_title("Données")
+# plot_i=[]
+# plot_x1=[]
+# plot_x2=[]
+# for i in range (X_valid.shape[0]):
+#     plot_i.append(i)
+#     plot_x1.append(X_valid[i][0])
+#     plot_x2.append(X_valid2[i][0])
+# donnees_ax.plot(plot_i, plot_x1)
+# donnees_ax.plot(plot_i, plot_x2)
+plt.show()
+
+# Performances
+print ("Temps total  : "+str(time.time()-t_debut))

README.md

@@ -20,7 +20,7 @@ Les "manips" sont pour la plupart tirées des livres de Aurélien Géron :
 
 ### Documentation :
 
- - [Google Developers](https://developers.google.com/machine-learning?hl=fr) : Introduction au machine learning - Google
+ - [Crash Course de Google Developers](https://developers.google.com/machine-learning/crash-course/ml-intro?hl=fr) : Introduction au machine learning - Google
   - [Fidle](https://gricad-gitlab.univ-grenoble-alpes.fr/talks/fidle/-/wikis/home) :  Fidle (Formation Introduction au Deep Learning) - CNRS, MIAI, UGA
   - [Kaggle](https://www.kaggle.com/) :  Compétitions d'apprentissage automatique
  - [Machine Learnia](https://www.youtube.com/@MachineLearnia) :  Chaîne YouTube sur l'apprentissage automatique