Keras : regression

02-intro_rna/07-keras-regression.py

@@ -68,9 +68,18 @@ 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
+model_ax = fig.add_subplot(121) # Modèle
+apts_ax = fig.add_subplot(122) # Courbes d'apprentissage
+# donnees_ax = fig.add_subplot(133) # Observations : x1,x2 et cibles : y
+
+# Logs
+root_logdir = os.path.join(os.curdir, "keras_logs")
+
+def get_run_logdir():
+    run_id = time.strftime("run_%Y_%m_%d-%H_%M_%S")
+    return os.path.join(root_logdir, run_id)
+
+run_logdir = get_run_logdir()
 
 ###############################################################################
 # Observations
@@ -78,8 +87,10 @@ donnees_ax = fig.add_subplot(133) # Observations : x1,x2 et cibles : y
 
 # 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)
+X, X_test, y, y_test = sklearn.model_selection.train_test_split(housing.data, housing.target)
+X_train, X_valid, y_train, y_valid = train_test_split(X, y)
+# 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()
@@ -101,16 +112,17 @@ perte="mse" # Type de perte (hyperparamètre)
 # perte="sparse_categorical_crossentropy"
 
 keras.backend.clear_session()
-np.random.seed(42)
-tf.random.set_seed(42)
+# 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
+checkpoint_cb = keras.callbacks.ModelCheckpoint("my_keras_model.h5")
+tensorboard_cb = keras.callbacks.TensorBoard(run_logdir)
+apts = model.fit(X_train, y_train, epochs=n, batch_size=lot, validation_data=(X_valid, y_valid),  callbacks=[checkpoint_cb, tensorboard_cb]) # Entrainement
 
 ###############################################################################
 # Phase d'inférence
@@ -139,7 +151,8 @@ apts_ax.set(ylim=(-0.05, 1.05))
 apts_ax.set_xlabel("Époque")
 apts_ax.legend()
 
-# # Plot des données
+# Plot des données
+# FIXME : mettre des graphiques de prédiction
 # donnees_ax.set_title("Données")
 # plot_i=[]
 # plot_x1=[]

02-intro_rna/README.md

@@ -23,3 +23,8 @@
 ### Réseaux de neurones avec Keras - Classificateur : Points sur spirales
 
 ![capture d'écran](img/06-keras-tf_playground-spiral-v2.png)
+
+### Réseaux de neurones avec Keras - Regression
+
+![capture d'écran](img/07-keras-regression.png)
+