mirror of
https://forge.apps.education.fr/phroy/mes-scripts-de-ml.git
synced 2024-01-27 11:30:36 +01:00
Ajout du réseau Keras classificateur d'images
This commit is contained in:
parent
8e7c1f55dd
commit
c985f50e55
@ -10,7 +10,7 @@ from matplotlib.colors import ListedColormap
|
||||
# 01-perceptron.py
|
||||
# @title: Introduction aux réseaux de neurones - Perceptron
|
||||
# @project: Mes scripts de ML
|
||||
# @lang: frg
|
||||
# @lang: fr
|
||||
# @authors: Philippe Roy <philippe.roy@ac-grenoble.fr>
|
||||
# @copyright: Copyright (C) 2023 Philippe Roy
|
||||
# @license: GNU GPL
|
||||
|
153
02-intro_rna/02-keras-classificateur_img.py
Normal file
153
02-intro_rna/02-keras-classificateur_img.py
Normal file
@ -0,0 +1,153 @@
|
||||
import os, time
|
||||
import numpy as np
|
||||
import matplotlib.pyplot as plt
|
||||
|
||||
import tensorflow as tf
|
||||
from tensorflow import keras
|
||||
|
||||
###############################################################################
|
||||
# 02-keras-classificateur_img.py
|
||||
# @title: Introduction aux réseaux de neurones - Réseaux de neurones avec Keras - Classificateur d'images
|
||||
# @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 Keras :
|
||||
# - keras.models.Sequential() : créer un modèle de couches de neurones reliés séquentiellement
|
||||
# - keras.layers.Flatten : ajout d'une couche de formatage de mise à plat
|
||||
# - keras.layers.Dense : ajout d'une couche de neurones
|
||||
# - keras.backend.clear_session() : reset de la session
|
||||
# - .compile : compilation du modèle
|
||||
# - .fit : entrainement du modèle
|
||||
# - .predict : prédiction du modèle
|
||||
# - keras.utils.plot_model : créer le diagramme d'un modèle
|
||||
###
|
||||
|
||||
###############################################################################
|
||||
# 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))
|
||||
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)
|
||||
fig.suptitle("Réseaux de neurones avec Keras - Classificateur")
|
||||
|
||||
###############################################################################
|
||||
# Observations
|
||||
###############################################################################
|
||||
|
||||
# Observations d'apprentissage, de validation et nouvelles
|
||||
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:]
|
||||
X_valid, y_valid = X[:5000]/255.0 , y[:5000]
|
||||
classes = ["Tshirt", "Pantalon", "Pull", "Robe", "Manteau", "Sandale", "Chemise", "Basket", "Sac", "Bottine"]
|
||||
|
||||
###############################################################################
|
||||
# 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)
|
||||
|
||||
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(100, activation="relu")) # Couche 2 : 100 nodes
|
||||
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
|
||||
|
||||
apts = model.fit(X_train, y_train, epochs=n, validation_data=(X_valid, y_valid)) # Entrainement / Apprentissage
|
||||
|
||||
###############################################################################
|
||||
# Phase d'inférence
|
||||
###############################################################################
|
||||
|
||||
# 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_new = np.random.randint(X_test.shape[0]-32) # Index aléatoire
|
||||
print ("\n")
|
||||
print ("Test sur les images de "+ str(idx_new) + " à "+ str(idx_new+32) + " sur un jeu de 10 000 images.")
|
||||
X_new = X_test[idx_new:idx_new+32]
|
||||
y_new = np.argmax(model.predict(X_new), axis=-1)
|
||||
y_new_test= y_test[idx_new:idx_new+32]
|
||||
|
||||
###############################################################################
|
||||
# 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()
|
||||
|
||||
# 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_xlabel("Époque")
|
||||
apts_ax.set(ylim=(0, 1))
|
||||
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")
|
||||
|
||||
plt.show()
|
||||
os.remove("model.png") # Supression du fichier temporaire
|
||||
|
||||
# Performances
|
||||
print ("Temps total : "+str(time.time()-t_debut))
|
@ -3,3 +3,8 @@
|
||||
### Perceptron
|
||||
|
||||
![capture d'écran](img/01-perceptron.png)
|
||||
|
||||
### Réseaux de neurones avec Keras - Classificateur d'images
|
||||
|
||||
![capture d'écran](img/02-keras-classificateur_img.png)
|
||||
|
||||
|
BIN
02-intro_rna/img/02-keras-classificateur_img.png
Normal file
BIN
02-intro_rna/img/02-keras-classificateur_img.png
Normal file
Binary file not shown.
After Width: | Height: | Size: 473 KiB |
Loading…
Reference in New Issue
Block a user