Vision par ordinateur : modèle convolutif

03-vision/03-digit-cnn.py

@@ -40,7 +40,7 @@ from tensorflow import keras
 # - keras.layers.Dense : couche de neurones
 # - keras.layers.Conv2D : couche de convolution 2D (filtre)
 # - keras.layers.MaxPool2D : couche d'agrégation des cartes (noyaux de convolution) type Pooling max
-# - keras.layers.Dropout : couche de régularisation type Dropout 
+# - keras.layers.Dropout : couche de régularisation par abandon (Dropout)
 # - keras.backend.clear_session() : reset de la session
 # - model.compile : compilation du modèle
 # - model.fit : entrainement du modèle
@@ -61,6 +61,7 @@ fig.suptitle("Vision par ordinateur - Reconnaissance de digit par réseaux de ne
 subfigs = fig.subfigures(1, 3)
 model_ax = subfigs[0].subplots(1, 1)
 apts_ax = subfigs[1].subplots(1, 1)
+# conv_ax = subfigs[1].subplots(1, 1)
 img_ax = subfigs[2].subplots(10, 15)
 
 ###############################################################################
@@ -102,19 +103,21 @@ model.add(keras.layers.Conv2D(256, kernel_size=3, padding="same", activation="re
 model.add(keras.layers.MaxPool2D(2)) # Couche d'agrégation des cartes type Pooling max
 model.add(keras.layers.Flatten()) # Couche de mise à plat des données
 model.add(keras.layers.Dense(128, activation="relu")) # Couche dense : 128 nodes
-model.add(keras.layers.Dropout(0.5)) # Couche de régularisation type dropout 
+model.add(keras.layers.Dropout(0.5)) # Couche de régularisation par abandon
 model.add(keras.layers.Dense(64, activation="relu")) # Couche dense : 64 nodes
-model.add(keras.layers.Dropout(0.5)) # Couche de régularisation type dropout
+model.add(keras.layers.Dropout(0.5)) # Couche de régularisation par abandon
 model.add(keras.layers.Dense(10, activation="softmax")) # Couche de sortie : 1 node par classe soit 10
 
 # Version 1
-# model.add(keras.layers.Conv2D(32, kernel_size=3, padding="same", activation="relu")) # Couche de convolution avec 32 cartes
-# model.add(keras.layers.Conv2D(64, kernel_size=3, padding="same", activation="relu")) # Couche de convolution avec 64 cartes
+# conv1 = keras.layers.Conv2D(32, kernel_size=3, padding="same", activation="relu") # Couche de convolution avec 32 cartes
+# conv2 = keras.layers.Conv2D(64, kernel_size=3, padding="same", activation="relu") # Couche de convolution avec 64 cartes
+# model.add(conv1)
+# model.add(conv2)
 # model.add(keras.layers.MaxPool2D()) # Couche d'agrégation des cartes type Pooling max
 # model.add(keras.layers.Flatten()) # Couche de mise à plat des données
-# model.add(keras.layers.Dropout(0.25)) # Couche de régularisation type dropout 
+# model.add(keras.layers.Dropout(0.25)) # Couche de régularisation par abandon
 # model.add(keras.layers.Dense(128, activation="relu")) # Couche dense : 128 nodes
-# model.add(keras.layers.Dropout(0.5)) # Couche de régularisation type dropout 
+# model.add(keras.layers.Dropout(0.5)) # Couche de régularisation par abandon
 # model.add(keras.layers.Dense(10, activation="softmax")) # Couche de sortie : 1 node par classe soit 10
 
 optimiseur=keras.optimizers.SGD(learning_rate= eta)
@@ -122,6 +125,9 @@ model.compile(loss=perte, optimizer=optimiseur, metrics=["accuracy"]) # Compilat
 
 apts = model.fit(X_train, y_train, epochs=n, batch_size=lot, validation_data=(X_valid, y_valid)) # Entrainement
 
+# conv1_outputs = conv1(X_test)
+# conv2_outputs = conv1(X_test)
+
 ###############################################################################
 # Phase d'inférence
 ###############################################################################