mes-scripts-de-ml/03-vision/04-cnn-cartes.py

254 lines
13 KiB
Python

import os, time
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow import keras
###############################################################################
# 04-cnn-cartes.py
# @title: Vision par ordinateur - Visualisation des noyaux (carte, couche, filtre) de convolution
# @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
###
###
# 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)
# - model.add : ajout d'une couche
# - keras.layers.Flatten : couche de formatage de mise à plat
# - 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 par extinction (Dropout)
# - keras.backend.clear_session() : reset de la session
# - model.compile : compilation du modèle
# - model.fit : entrainement du modèle
# - model.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(layout="constrained", figsize=(15, 5))
fig.suptitle("Vision par ordinateur - Visualisation des noyaux de convolution")
subfigs = fig.subfigures(1, 3)
###############################################################################
# Observations
###############################################################################
# Observations d'apprentissage, de validation et de test
mnist = keras.datasets.mnist # Jeu de données MNIST (digit)
(X, y), (X_test, y_test) = mnist.load_data()
X_train, y_train = X[5000:]/255.0 , y[5000:]
X_valid, y_valid = X[:5000]/255.0 , y[:5000]
X_train = X_train[..., np.newaxis] # Ajout du canal nuance de gris
X_valid = X_valid[..., np.newaxis] # Ajout du canal nuance de gris
X_test = X_test[..., np.newaxis] # Ajout du canal nuance de gris
###############################################################################
# Phase d'apprentissage
###############################################################################
n = 10 # Nombre d'itérations (valeur par défaut : 10 , 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()
# Version 1
# model = keras.models.Sequential() # Modèle de reseau de neurones
# 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 par abandon
# model.add(keras.layers.Dense(128, activation="relu")) # Couche dense : 128 nodes
# 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 2
# model = keras.models.Sequential() # Modèle de reseau de neurones
# model.add(keras.layers.Conv2D(64, kernel_size=7, padding="same", input_shape=[28,28,1], activation="relu")) # Couche de convolution avec 64 cartes
# model.add(keras.layers.MaxPool2D(2)) # Couche d'agrégation des cartes type Pooling max
# model.add(keras.layers.Conv2D(128, kernel_size=3, padding="same", activation="relu")) # Couche de convolution avec 128 cartes
# model.add(keras.layers.Conv2D(128, kernel_size=3, padding="same", activation="relu")) # Couche de convolution avec 128 cartes
# model.add(keras.layers.MaxPool2D(2)) # Couche d'agrégation des cartes type Pooling max
# model.add(keras.layers.Conv2D(256, kernel_size=3, padding="same", activation="relu")) # Couche de convolution avec 256 cartes
# model.add(keras.layers.Conv2D(256, kernel_size=3, padding="same", activation="relu")) # Couche de convolution avec 256 cartes
# 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(16, activation="relu")) # Couche dense : 16 nodes
# model.add(keras.layers.Dropout(0.5)) # Couche de régularisation par abandon
# model.add(keras.layers.Dense(8, activation="relu")) # Couche dense : 8 nodes
# model.add(keras.layers.Dropout(0.5)) # Couche de régularisation par abandon
# model.add(keras.layers.Dense(2, activation="softmax")) # Couche de sortie : 1 node par classe soit 2
# Version 3
# model = keras.models.Sequential() # Modèle de reseau de neurones
# model.add(keras.layers.Conv2D(4, kernel_size=7, padding="same", input_shape=[28,28,1], activation="relu")) # Couche de convolution avec 4 cartes
# model.add(keras.layers.MaxPool2D(2)) # Couche d'agrégation des cartes type Pooling max
# model.add(keras.layers.Conv2D(8, kernel_size=3, padding="same", activation="relu")) # Couche de convolution avec 8 cartes
# model.add(keras.layers.Conv2D(8, kernel_size=3, padding="same", activation="relu")) # Couche de convolution avec 8 cartes
# model.add(keras.layers.MaxPool2D(2)) # Couche d'agrégation des cartes type Pooling max
# model.add(keras.layers.Conv2D(16, kernel_size=3, padding="same", activation="relu")) # Couche de convolution avec 16 cartes
# model.add(keras.layers.Conv2D(16, kernel_size=3, padding="same", activation="relu")) # Couche de convolution avec 16 cartes
# 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(16, activation="relu")) # Couche dense : 16 nodes
# model.add(keras.layers.Dropout(0.5)) # Couche de régularisation par abandon
# model.add(keras.layers.Dense(8, activation="relu")) # Couche dense : 8 nodes
# model.add(keras.layers.Dropout(0.5)) # Couche de régularisation par abandon
# model.add(keras.layers.Dense(2, activation="softmax")) # Couche de sortie : 1 node par classe soit 2
# Version 4
# model = keras.models.Sequential() # Modèle de reseau de neurones
# model.add(keras.layers.Conv2D(16, kernel_size=28, padding="same", input_shape=[28,28,1], activation="relu")) # Couche de convolution avec 4 cartes
# model.add(keras.layers.Conv2D(16, kernel_size=28, padding="same", activation="relu")) # Couche de convolution avec 4 cartes
# 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(16, activation="relu")) # Couche dense : 16 nodes
# model.add(keras.layers.Dense(2, activation="softmax")) # Couche de sortie : 1 node par classe soit 2
# model=keras.models.load_model("04-cnn-cartes-v4.h5") # Lire le modèle + entrainement
# print ("Lecture du modèle entrainé : 04-cnn-cartes-v4.h5")
# Version 5
model = keras.models.Sequential() # Modèle de reseau de neurones
convo1 = keras.layers.Conv2D(16, kernel_size=3, padding="same", input_shape=[28,28,1], activation="relu") # Couche de convolution avec 16 cartes
model.add(convo1)
convo2 = keras.layers.Conv2D(16, kernel_size=3, padding="same", activation="relu") # Couche de convolution avec 16 cartes
model.add(convo2)
maxpool = keras.layers.MaxPool2D(2) # Couche d'agrégation des cartes type Pooling max
model.add(maxpool)
model.add(keras.layers.Flatten()) # Couche de mise à plat des données
model.add(keras.layers.Dense(16, activation="relu")) # Couche dense : 16 nodes
model.add(keras.layers.Dense(10, activation="softmax")) # Couche de sortie : 1 node par classe soit 10
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
# model.save("04-cnn-cartes-v5.h5")
# model=keras.models.load_model("04-cnn-cartes-v5.h5") # Lire le modèle + entrainement
# print ("Lecture du modèle entrainé : 04-cnn-cartes-v5.h5")
###############################################################################
# Phase d'inférence
###############################################################################
print ("\n")
print ("Test sur le jeu de test ("+str(X_test.shape[0])+" images).")
X_new = X_test
y_new = np.argmax(model.predict(X_new), axis=-1) # Prédictions
y_new_target= y_test # Cibles
eval=model.evaluate(X_new, y_new_target)
print ("Il y a "+str(int(np.round((1-eval[1])*X_new.shape[0]))) + " images non reconnues.\n")
###############################################################################
# Résultats
###############################################################################
# Récupérer les poids de couche de convolution
def convo_poids(layer_name):
_poids = model.get_layer(name=layer_name).get_weights()[0]
_poids = np.squeeze(_poids)
# _poids = _poids.reshape((_poids.shape[0], _poids.shape[1], _poids.shape[2]*_poids.shape[3]))
return _poids
# Couche de convolution 1
X_convo = X[..., np.newaxis]/255.0
subfigs[0].suptitle("Couche de convolution 1 : 3x3 - 16 cartes")
convo1_axs = subfigs[0].subplots(8, 8)
convo1_poids = convo_poids("conv2d")
convo1_img = convo1(X_convo[:10])
i=0
for ligne in range (2): # Filtres (poids)
for colonne in range (8):
convo1_axs[ligne][colonne].set_axis_off()
convo1_axs[ligne][colonne].imshow(convo1_poids[:,:,i], cmap="binary", interpolation="nearest")
convo1_axs[ligne][colonne].set_title("Filtre "+str(i), fontsize=10)
i +=1
for ligne in range (2, 8): # Résultats
convo1_axs[ligne][0].set_axis_off()
convo1_axs[ligne][0].imshow(X[ligne-2], cmap="binary", interpolation="nearest")
convo1_axs[ligne][0].set_title("Image "+str(ligne-2), fontsize=10)
for colonne in range (1, 8):
convo1_axs[ligne][colonne].set_axis_off()
convo1_axs[ligne][colonne].imshow(convo1_img[ligne-2, :,:,colonne-1], cmap="binary", interpolation="nearest")
convo1_axs[ligne][colonne].set_title("Filtre "+str(colonne-1), fontsize=10)
# Couche de convolution 2
subfigs[1].suptitle("Couche de convolution 2 : 3x3 - 16 cartes")
convo2_axs = subfigs[1].subplots(8, 8)
convo2_poids = convo_poids("conv2d_1")
convo2_img = convo2(convo1_img)
i=0
for ligne in range (2): # Filtres (poids)
for colonne in range (8):
convo2_axs[ligne][colonne].set_axis_off()
convo2_axs[ligne][colonne].imshow(convo2_poids[:,:,0, i], cmap="binary", interpolation="nearest")
convo2_axs[ligne][colonne].set_title("Filtre 0-"+str(i), fontsize=8)
i +=1
for ligne in range (2, 8): # Résultats
convo2_axs[ligne][0].set_axis_off()
convo2_axs[ligne][0].imshow(X[ligne-2], cmap="binary", interpolation="nearest")
convo2_axs[ligne][0].set_title("Image "+str(ligne-2), fontsize=10)
for colonne in range (1, 8):
convo2_axs[ligne][colonne].set_axis_off()
convo2_axs[ligne][colonne].imshow(convo2_img[ligne-2, :,:,colonne-1], cmap="binary", interpolation="nearest")
convo2_axs[ligne][colonne].set_title("Filtre "+str(colonne-1), fontsize=10)
# Couche d'agrégation MaxPooling
subfigs[2].suptitle("Couche d'agrégation MaxPool : 2 -> sortie 14x14")
maxpool_axs = subfigs[2].subplots(8, 8) # 1 couches de 16 cartes
maxpool_img = maxpool(convo2_img)
for ligne in range (2): # Filtres -> rien
for colonne in range (8):
maxpool_axs[ligne][colonne].set_axis_off()
for ligne in range (2, 8): # Résultats
maxpool_axs[ligne][0].set_axis_off()
maxpool_axs[ligne][0].imshow(X[ligne-2], cmap="binary", interpolation="nearest")
maxpool_axs[ligne][0].set_title("Image "+str(ligne-2), fontsize=10)
for colonne in range (1, 8):
maxpool_axs[ligne][colonne].set_axis_off()
maxpool_axs[ligne][colonne].imshow(maxpool_img[ligne-2, :,:,colonne-1], cmap="binary", interpolation="nearest")
maxpool_axs[ligne][colonne].set_title("Filtre "+str(colonne-1), fontsize=10)
plt.show()
# Performances
print ("\n")
print ("Temps total : "+str(time.time()-t_debut))