import os, time import numpy as np import matplotlib.pyplot as plt import tensorflow as tf from tensorflow import keras ############################################################################### # 03-keras-tf_playground-cercle.py # @title: Introduction aux réseaux de neurones - Portage de TensorFlow Playground vers Keras - Points en cercle # @project: Mes scripts de ML # @lang: fr # @authors: Philippe Roy # @copyright: Copyright (C) 2023 Philippe Roy # @license: GNU GPL ############################################################################### ### # TensorFlow Playground : # - Site internet : https://playground.tensorflow.org # - Dépôt git : https://github.com/tensorflow/playground ### ### # 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 où les couches de neurones sont reliées séquentiellement (modèle simple) # - 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 du temps t_debut = time.time() # Init des plots fig = plt.figure(figsize=(15, 5)) fig.suptitle("Réseaux de neurones avec Keras - Classificateur : points en cercle") model_ax = fig.add_subplot(131) # Modèle apts_ax = fig.add_subplot(132) # Courbes d'apprentissage donnees_ax = fig.add_subplot(133) # Observations : x1,x2 et cibles : y ############################################################################### # Observations ############################################################################### # Observations d'apprentissage, de validation et de test 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 ############################################################################### n = 30 # Nombre d'itérations (valeur par défaut : 30 , hyperparamètre) eta = 0.01 # Taux d'appentissage (valeur par défaut dans Keras : 0.01, hyperparamètre) lot=32 # Taille de lot (valeur par défaut dans Keras: 32 , hyperparamètre) perte="sparse_categorical_crossentropy" # Type de perte (hyperparamètre) #perte="mse" # Type de perte (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(300, activation="relu")) # Couche 2 : 300 nodes -> passage de 100 à 300 # model.add(keras.layers.Dense(300, activation="relu")) # Couche 3 : 300 nodes -> ajout model.add(keras.layers.Dense(100, activation="relu")) # Couche 4 : 100 nodes -> ajout 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"]) optimiseur=keras.optimizers.SGD(learning_rate= eta) model.compile(loss=perte, optimizer=optimiseur, metrics=["accuracy"]) # Compilation du modèle apts = model.fit(X_train, y_train, epochs=n, batch_size=lot, validation_data=(X_valid, y_valid)) # Entrainement ############################################################################### # 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 = np.random.randint(X_test.shape[0]-32) # Index aléatoire print ("\n") print ("Test sur les images de "+ str(idx) + " à "+ str(idx+32) + " sur un jeu de 10 000 images.") X_new = X_test[idx:idx+32] y_new = np.argmax(model.predict(X_new), axis=-1) y_new_test= y_test[idx:idx+32] print ("\n") ############################################################################### # 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() os.remove("model.png") # Supression du fichier temporaire # 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(ylim=(0, 1)) apts_ax.set_xlabel("Époque") 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() # Performances print ("Temps total : "+str(time.time()-t_debut))