Ajout du réseau Keras classificateur d'images

02-intro_rna/01-perceptron.py

@@ -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

02-intro_rna/02-keras-classificateur_img.py

@@ -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))

02-intro_rna/README.md

@@ -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)
+