phroy/mes-scripts-de-ml
phroy/mes-scripts-de-ml
1
1
Fork 0
mirror of https://forge.apps.education.fr/phroy/mes-scripts-de-ml.git synced 2024-01-27 11:30:36 +01:00
Code Issues Projects Releases Wiki Activity

Vision par ordinateur : modèle convolutif

Browse Source
This commit is contained in:
Philippe Roy 2023-07-04 16:06:25 +02:00
parent 5540d09541
commit f46dfc3980
1 changed files with 13 additions and 7 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

20
03-vision/03-digit-cnn.py
View File

@ -40,7 +40,7 @@ from tensorflow import keras
# - keras.layers.Dense : couche de neurones # - keras.layers.Dense : couche de neurones
# - keras.layers.Conv2D : couche de convolution 2D (filtre) # - keras.layers.Conv2D : couche de convolution 2D (filtre)
# - keras.layers.MaxPool2D : couche d'agrégation des cartes (noyaux de convolution) type Pooling max # - 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 # - keras.backend.clear_session() : reset de la session
# - model.compile : compilation du modèle # - model.compile : compilation du modèle
# - model.fit : entrainement 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) subfigs = fig.subfigures(1, 3)
model_ax = subfigs[0].subplots(1, 1) model_ax = subfigs[0].subplots(1, 1)
apts_ax = subfigs[1].subplots(1, 1) apts_ax = subfigs[1].subplots(1, 1)
# conv_ax = subfigs[1].subplots(1, 1)
img_ax = subfigs[2].subplots(10, 15) 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.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.Flatten()) # Couche de mise à plat des données
model.add(keras.layers.Dense(128, activation="relu")) # Couche dense : 128 nodes 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.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 model.add(keras.layers.Dense(10, activation="softmax")) # Couche de sortie : 1 node par classe soit 10
# Version 1 # Version 1
# model.add(keras.layers.Conv2D(32, kernel_size=3, padding="same", activation="relu")) # Couche de convolution avec 32 cartes # conv1 = 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 # 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.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.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.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 # model.add(keras.layers.Dense(10, activation="softmax")) # Couche de sortie : 1 node par classe soit 10
optimiseur=keras.optimizers.SGD(learning_rate= eta) 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 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 # Phase d'inférence
############################################################################### ###############################################################################