Labomedia Ressources

Cette page est en lecture seule. Vous pouvez afficher le texte source, mais ne pourrez pas le modifier. Contactez votre administrateur si vous pensez qu'il s'agit d'une erreur.
====== L'intelligence du sémaphore ======
<WRAP center round box 60% centeralign>
**{{tagpage>ia|Intelligence Artificielle}}**     **[[http://translate.google.com/translate?hl=&sl=auto&tl=en&u=https%3A%2F%2Fressources.labomedia.org%2Fl_intelligence_du_semaphore|English Version]]**
</WRAP>
<WRAP center round box 60% centeralign>
**[[les_pages_intelligence_artificielle_en_details|Les Pages Intelligence Artificielle en détails]]**
</WRAP>

<WRAP center round box 60% centeralign>
**{{tagpage>semaphore|Sémaphores}}**  ....  **{{tagpage>bge|Blender Game Engine}}**
</WRAP>
<WRAP center round box 60% centeralign>
C'est quoi un sémaphore ?
{{ youtube>F3sY6_fOx2I?medium }}
{{ media_05:chappe.jpeg?400 }}
</WRAP>

<WRAP center round box 60% centeralign>
**Calcul de [[Le sémaphore avec TensorFlow|Le sémaphore avec TensorFlow]] sur GPU au lieu du CPU avec TensorFlow**
</WRAP>
=====Les sources sur GitHub=====
  * **[[https://github.com/sergeLabo/semaphore|semaphore chez github.com]]**
=====Les images utilisées pour l'apprentissage=====
====Images sorties de Blender====
<WRAP group>
<WRAP third column>
{{media_03:shot_0_a.png?200|}}
</WRAP>
<WRAP third column>
{{media_03:shot_1_b.png?200|}}
</WRAP>
<WRAP third column>
{{media_03:shot_2_c.png?200|}}
</WRAP>
</WRAP>
====Images adaptées pour l'apprentissage====
L'optimisation a montré que la meilleure solution est avec ce type d'image.
<WRAP group>
<WRAP third column>
{{media_01:shot_0_a.png?200|}}
</WRAP>
<WRAP third column>
{{media_01:shot_1_.png?200|}}
</WRAP>
<WRAP third column>
{{media_01:shot_2_b.png?200|}}
</WRAP>
</WRAP>


===== Des maths ! ====
====Relu Rectifier neural networks====
{{ media_12:relu.jpg?400 |}}
  * **[[https://en.wikipedia.org/wiki/Rectifier_(neural_networks)|Rectifier (neural networks)]]**  sur Wikipedia en
<code python>
def relu(x):
    """Rectified Linear Unit:
    
    In the context of artificial neural networks, the rectifier is an
    activation function defined as the positive part of its argument.
    
    Rectifie les négatifs à 0:
    -1 > 0
     1 > 1
     """
    return np.maximum(0, x)
</code>
====Relu_prime====
  * **[[https://fr.wikipedia.org/wiki/Fonction_de_Heaviside|Fonction de Heaviside]]** sur Wikipedia fr
  * **[[https://fr.wikipedia.org/wiki/Fonction_caract%C3%A9ristique_(th%C3%A9orie_des_ensembles)|Fonction caractéristique (théorie des ensembles)]]**  sur Wikipedia fr
<code python>
def relu_prime(z):
    """La fonction de Heaviside (également fonction échelon unité, fonction marche d'escalier) est la fonction indicatrice de R.
    
Une fonction indicatrice, est une fonction définie sur un ensemble E qui explicite l’appartenance ou non à un sous-ensemble F de E de tout élément de E. 
C'est donc la fonction H (discontinue en 0) prenant la valeur 1 pour tous les réels positifs et la valeur 0 pour les réels strictement négatifs.
    """
    return np.asarray(z > 0, dtype=np.float32)
</code>
====Sigmoïd====
{{ media_12:sigmoid.png?400 |}}
  * **[[https://fr.wikipedia.org/wiki/Sigmo%C3%AFde_(math%C3%A9matiques)|Sigmoïde]]**  sur Wikipedia fr
Elle représente la fonction de répartition de la loi logistique. Elle est souvent utilisée dans les réseaux de neurones parce qu'elle est dérivable, ce qui est une contrainte pour l'algorithme de [[https://fr.wikipedia.org/wiki/R%C3%A9tropropagation_du_gradient|rétropropagation]] de [[https://fr.wikipedia.org/wiki/Perceptron_multicouche#Perceptron_multicouche_%C3%A0_r%C3%A9tropropagation|Werbos]]. La forme de la dérivée de sa fonction inverse est extrêmement simple et facile à calculer, ce qui améliore les performances des algorithmes. 
<code python>
def sigmoid(x):
    """La fonction sigmoïde est une courbe en S."""
    return 1 / (1 + np.exp(-x))
</code>

====Sigmoïd prime====
<code python>
def sigmoid_prime(z):
    """La dérivée de la fonction sigmoid."""
    return z * (1 - z)
</code>

====Algorithme du gradient stochastique====
  * **[[https://fr.wikipedia.org/wiki/Algorithme_du_gradient_stochastique|Algorithme du gradient stochastique]]**
L'algorithme du gradient stochastique est une méthode de descente de gradient (itérative) utilisée pour la minimisation d'une fonction objectif qui est écrite comme une somme de fonctions différentiables. 

====Diagonale de 1====
{{ media_01:matrice_3x3_1.png?200 |}}

  numpy.eye(N, M=None, k=0, dtype=<class 'float'>, order='C')
  
  Return a 2-D array with ones on the diagonal and zeros elsewhere.
Matrice ou la sortie est idéale: le 1 correspond à entée[i] = sortie[i], et entée[j],sortie[k] =0 si j différent de k

====Initialisation de X. Glorot et He====
X = Xavier = prénom
  * **[[http://deepdish.io/2015/02/24/network-initialization/|Initialization of deep networks]]**

===== Réseau de neurones Perceptron multicouches  =====
  * **[[https://fr.wikipedia.org/wiki/Perceptron_multicouche|Perceptron multicouche]]**
Un réseau de neurones Perceptron multicouches est un type de réseau dont l'information circule dans un unique sens, de la couche d'entrée vers la couche de sortie. Ont dit qu'il est un réseau "à propagation directe" (feedforward).


===== Réseau de neurones Convolutif =====
  * **[[https://fr.wikipedia.org/wiki/R%C3%A9seau_neuronal_convolutif|Réseau neuronal convolutif]]**
Un réseau de neurones Convolutif est un type de réseau de neurones artificiels dans lequel le motif de connexion entre les neurones est inspiré par le cortex visuel des animaux. Actuellement, il est très utilisé pour l'analyse des images, des vidéos et du langage naturel.

Ce type de réseau est développé avec [[yolo_avec_mes_propres_images|Yolo Darknet Préparation de mes propres images]] puis [[yolo_sans_carte_graphique|Yolo Darknet sans carte graphique]] et enfin [[yolo_darknet_sur_un_portable_optimus|Yolo Darknet sur un portable Optimus]].

=====Réseau de neurones Perceptron multicouches en python=====
**Du code expliqué avec beaucoup d'amour**
Enfin, là c'est de l'intelligence qu'on cherche, pas de l'amour.

====Notre réseau====
 **Une colonne de 1600 en entrée, 2 nodes de 100, une sortie de 27 caractères.**

{{ media_01:perceptron.svg.png?1000 |}}

La totalité du projet est à **[[https://github.com/sergeLabo/semaphore|Semaphore]]** sur Github, et  **[[jeu_du_semaphore_dans_le_blender_game_engine|Jeu du sémaphore dans le Blender Game Engine]]** pour la création des images.

====Installation====
Installation de pip3:
  sudo apt install pip3
Installation de numpy et opencv
  sudo pip3 install opencv numpy
Il faut installer mon [[pymultilame|module python perso]] disponible sur Github
  sudo pip3 install -e git+https://github.com/sergeLabo/pymultilame.git#egg=pymultilame
  
====Le script====
<file python ia.py>
#!/usr/bin/env python3
# -*- coding: UTF-8 -*-

import shutil
import numpy as np
import cv2
from pymultilame import MyTools

def sigmoid(x): return 1 / (1 + np.exp(-x))
def sigmoid_prime(z): return z * (1 - z)
def relu(x): return np.maximum(0, x)
def relu_prime(z): return np.asarray(z > 0, dtype=np.float32)

class SemaphoreIA:
    def __init__(self, root, learningrate, failed=0):
        self.root = root
        self.learningrate = learningrate
        self.failed = failed
        self.tools = MyTools()

        # Dossier des ratés
        if self.failed:
            # Suppression du dossier failed et recréation pour le vider
            try:
                shutil.rmtree(self.root + 'failed')
            except:
                print('Pas de dossier failed')
            self.tools.create_directory(self.root + 'failed')

        # Réseau de neurones: colonne 1600 en entrée, 2 nodes de 100, sortie de 27 caractères
        self.layers = [1600, 100, 100, 27]
        # Fonction d'activation: imite l'activation d'un neuronne
        self.activations = [relu, relu, sigmoid]

        fichier = np.load(self.root + 'semaphore.npz')
        self.x_train, self.y_train = fichier['x_train'], fichier['y_train']
        self.x_train = 1 - self.x_train
        self.x_test, self.y_test = self.x_train[50000:,:], self.y_train[50000:]
        self.x_train, self.y_train = self.x_train[:50000,:], self.y_train[:50000]

        # Affichage des images pour distraire
        cv2.namedWindow('img')

    def training(self):
        """Apprentissage avec 50 000 images. Poids enregistré dans weights.npy"""
        print("Training...")

        # Matrice diagonale de 1
        diagonale = np.eye(27, 27)

        # globals() Return a dictionary representing the current global symbol table.
        self.activations_prime = [globals()[fonction.__name__ + '_prime'] for fonction in self.activations]

        node_dict = {}

        # Liste des poids
        # Initialisation des poids des nodes, pour ne pas à être à 0
        # Construit 3 matrices (100x1600, 100x100, 27x100)
        # /np.sqrt() résultat expérimental de l'initialisation d'un gars qui s'appelle Xavier Glorot et d'un autre qui s'appelle He !
        weight_list = [np.random.randn(self.layers[k+1], self.layers[k]) / \
                       np.sqrt(self.layers[k]) for k in range(len(self.layers)-1)]

        # vecteur_ligne = image en ligne à la 1ère itération
        # nombre_lettre = nombre correspondant à la lettre de l'image
        # i pour itération, vecteur_colonne = x_train de i, nombre_lettre = y_train de i
        for i, (vecteur_ligne, nombre_lettre) in enumerate(zip(self.x_train, self.y_train)):

            # Affichage pour distraire les mangalore
            if i % 10000 == 0:
                print(i, nombre_lettre)
                img = vecteur_ligne.reshape(40,40) * 255
                img = cv2.resize(img, (600, 600), interpolation=cv2.INTER_AREA)
                cv2.imshow("img", img)
                cv2.waitKey(1)

            # la ligne devient colonne
            vecteur_colonne = np.array(vecteur_ligne, ndmin=2).T

            # Forward propagation
            node_dict[0] = vecteur_colonne
            for k in range(len(self.layers)-1):
                # weight_list[k] (100x1600, 100x100 27x100) vecteur_colonne (1600,)
                # z de format 100 x 1
                z = np.dot(weight_list[k], vecteur_colonne)

                # self.activations = non linéaire sinon sortie fonction linéaire de l'entrée
                # imite le seuil d'activation électrique du neurone
                vecteur_colonne = self.activations[k](z)

                node_dict[k+1] = vecteur_colonne

            # Retro propagation, delta_a = écart entre la sortie réelle et attendue
            delta_a = vecteur_colonne - diagonale[:,[nombre_lettre]]
            # Parcours des nodes en sens inverse pour corriger proportionnellement
            # les poids en fonction de l'erreur par rapport à la valeur souhaitée
            # Descente du Gradient stochastique
            for k in range(len(self.layers)-2, -1, -1):
                delta_z = delta_a * self.activations_prime[k](node_dict[k+1])
                delta_w = np.dot(delta_z, node_dict[k].T)
                delta_a = np.dot(weight_list[k].T, delta_z)
                # Pour converger vers le minimum d'erreur
                weight_list[k] -= self.learningrate * delta_w

        # Dans un fichier
        np.save(self.root + 'weights.npy', weight_list)
        print('weights.npy enregistré')
        cv2.destroyAllWindows()

    def testing(self):
        """Teste avec 10 000 images, retourne le ratio de bon résultats"""
        print("Testing...")

        weight_list = np.load(self.root + 'weights.npy')

        # Nombre de bonnes reconnaissance
        success = 0

        # Dict avec le nombre d'erreurs par lettre
        failed_dict = {}

        for vecteur_ligne, nombre_lettre in zip(self.x_test, self.y_test):
            # image en ligne au 1er passage pour les failed
            img = vecteur_ligne.copy()

            for k in range(len(self.layers)-1):
                vecteur_ligne = self.activations[k](np.dot(weight_list[k],
                                                      vecteur_ligne))

            reconnu = np.argmax(vecteur_ligne)
            if reconnu == nombre_lettre:
                success += 1
            else:
                if self.failed:
                    self.write_failed(img, nombre_lettre, reconnu, success)
                if nombre_lettre in failed_dict:
                    failed_dict[nombre_lettre] += 1
                else:
                    if self.failed:
                        self.tools.create_directory(self.root + 'failed' + '/bad_' + str(nombre_lettre))
                        failed_dict[nombre_lettre] = 1

        if self.failed:
            sorted_by_value = sorted(failed_dict.items(), key=lambda kv: kv[1], reverse=True)
            print(sorted_by_value)

        resp = 100.0 * success / len(self.x_test)
        return resp

    def write_failed(self, img, nombre_lettre, reconnu, S):
        """Les images avec erreur de reconnaisance sont copiées dans
        /semaphore/failed/bad_11/11_6_9067.png
        11 est la lettre k, donc dans le dossier il ny a que la lettre k
        et le 2ème nombre est la lettre reconnue fausse
        """
        name = str(nombre_lettre) + '_' + str(reconnu) + '_'  + str(S) + '.png'
        fichier = self.root + 'failed' + '/bad_' + str(nombre_lettre) + '/' + name
        img = img.reshape(40,40) * 255
        cv2.imwrite(fichier, img)


if __name__ == "__main__":
    print(MyTools().get_absolute_path(__file__))
    root = MyTools().get_absolute_path(__file__)[:-28]
    print("Current directory:", root)

    for i in range(5):
        learningrate = 0.022
        failed = 0
        sia = SemaphoreIA(root, learningrate, failed)
        sia.training()
        resp = sia.testing()
        print("Learningrate: {} Résultat {}".format(learningrate, round(resp, 1)))
</file>    

=====La même chose avec Cupy ou Tensorflow=====
  * **[[cupy_vs_numpy|Cupy: calcul numpy avec CUDA]]**
  * **[[le_semaphore_avec_tensorflow|Le sémaphore avec TensorFlow]]**

===== Etape suivante: YOLO Darknet=====
**[[computer_vision_and_pattern_recognition_segmentation_d_image|Computer Vision and Pattern Recognition Mask R-CNN]]**

{{tag> bge ia python sb semaphore }}