Ajout du réseau Keras classificateur d'images

This commit is contained in:
Philippe Roy 2023-06-26 18:04:15 +02:00
parent 8e7c1f55dd
commit c985f50e55
4 changed files with 159 additions and 1 deletions

View File

@ -10,7 +10,7 @@ from matplotlib.colors import ListedColormap
# 01-perceptron.py # 01-perceptron.py
# @title: Introduction aux réseaux de neurones - Perceptron # @title: Introduction aux réseaux de neurones - Perceptron
# @project: Mes scripts de ML # @project: Mes scripts de ML
# @lang: frg # @lang: fr
# @authors: Philippe Roy <philippe.roy@ac-grenoble.fr> # @authors: Philippe Roy <philippe.roy@ac-grenoble.fr>
# @copyright: Copyright (C) 2023 Philippe Roy # @copyright: Copyright (C) 2023 Philippe Roy
# @license: GNU GPL # @license: GNU GPL

View 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))

View File

@ -3,3 +3,8 @@
### Perceptron ### Perceptron
![capture d'écran](img/01-perceptron.png) ![capture d'écran](img/01-perceptron.png)
### Réseaux de neurones avec Keras - Classificateur d'images
![capture d'écran](img/02-keras-classificateur_img.png)

Binary file not shown.

After

Width:  |  Height:  |  Size: 473 KiB