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.
====== Exemple simple d'IA ======

<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%2Fsimple_ai_example|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 50% centeralign>
**Un exemple d'utilisation de datas pour s'entrainer**\\
**[[jeux_de_donnees_pour_machine_learning|Jeux de données utilisables pour un Apprentissage Automatique]]**
</WRAP>

<WRAP center round box 50% centeralign>
Je suis paresseux et je veux un exemple simple.\\
Les datas utilisées seront:\\
**[[https://archive.ics.uci.edu/ml/datasets/Letter+Recognition|Letter Recognition Data Set]]**
</WRAP>

===== Contexte des datas =====
  * **[[https://link.springer.com/content/pdf/10.1007%2FBF00114162.pdf|Letter Recognition Using Holland-Style Adaptive Classifiers]]** Machine Learning, 6, 161-182 (1991) © 1991 Kluwer Academic Publishers, Boston. Manufactured in The Netherlands. PETER W. FREY Department of Psychology, Northwestern University, Evanston, IL 60208 DAVID J. SLATE Pattern Recognition Group, Odesta Corporation, 1890 Maple Avenue, Evanston, IL 60201 Editor: Tom Dietterich\\
**L'objectif n'est pas d'utiliser cet apprentissage pour reconnaître des lettres dans d'autres contextes: il faut faire l'apprentissage sur 16000 items, puis tester l'efficacité sur les 4000 restantes. C'est tout!**

===== Avec numpy =====
====Ressources====
  * **[[l_intelligence_du_semaphore|L'intelligence du sémaphore]]** propose un script pour reconnaître les positions d'un sémaphores.
  * **[[uneiaen50lignesdecode|Une I.A. en 50 lignes de code]]** Une intelligence artificielle qui reconnaît des chiffres manuscrits.

==== Code sur GitHub ====
  * **[[https://github.com/sergeLabo/simple_ai_example/blob/master/main_numpy.py|simple_ai_example/main_numpy.py]]**
==== Résultat ====
<code text>
........
Initialisation 7:
Création de l'objet ...
    0: Learningrate: 0.021 Résultat 68.67 %
    1: Learningrate: 0.0215 Résultat 73.97 %
    2: Learningrate: 0.022 Résultat 72.2 %
    3: Learningrate: 0.0225 Résultat 79.12 %
    4: Learningrate: 0.023 Résultat 76.4 %
    5: Learningrate: 0.0235 Résultat 76.58 %
    6: Learningrate: 0.024 Résultat 70.3 %
    7: Learningrate: 0.0245 Résultat 75.05 %
    8: Learningrate: 0.025 Résultat 76.35 %
    9: Learningrate: 0.0255 Résultat 77.72 %

Initialisation 8:
Création de l'objet ...
    0: Learningrate: 0.021 Résultat 64.83 %
    1: Learningrate: 0.0215 Résultat 71.47 %
    2: Learningrate: 0.022 Résultat 76.2 %
    3: Learningrate: 0.0225 Résultat 71.03 %
    4: Learningrate: 0.023 Résultat 77.58 %
    5: Learningrate: 0.0235 Résultat 75.75 %
    6: Learningrate: 0.024 Résultat 78.95 %
    7: Learningrate: 0.0245 Résultat 71.78 %
    8: Learningrate: 0.025 Résultat 74.9 %
    9: Learningrate: 0.0255 Résultat 71.1 %

Initialisation 9:
Création de l'objet ...
    0: Learningrate: 0.021 Résultat 66.03 %
    1: Learningrate: 0.0215 Résultat 71.4 %
    2: Learningrate: 0.022 Résultat 69.45 %
    3: Learningrate: 0.0225 Résultat 77.38 %
    4: Learningrate: 0.023 Résultat 75.7 %
    5: Learningrate: 0.0235 Résultat 77.5 %
    6: Learningrate: 0.024 Résultat 76.55 %
    7: Learningrate: 0.0245 Résultat 76.33 %
    8: Learningrate: 0.025 Résultat 72.4 %
    9: Learningrate: 0.0255 Résultat 77.72 %

Temps de calcul par cycle: 3.21 s
Meilleur résultat: learningrate = 0.0255 efficacité = 81.025
</code>
====Commentaires====
  * Les datas sont anciennes (1991): la méthode pour caractériser les lettres n'est pas pertinente. De nos jours, on utilise directement des images et des [[https://fr.wikipedia.org/wiki/R%C3%A9seau_neuronal_convolutif|Réseau neuronal convolutif]].
  * Il n'y a pas assez de data pour l'apprentissage: il faut au moins 2000 items par objet: ici il n'y a que 640 items pour l'apprentissage.
  * Le script fait une Optimisation des paramètres avec 10 test sur le Learning Rate, recommencer 10 fois pour réinitialiser le fichier de poids. 
  * Cela prend beaucoup de temps, d'où la nécessité d'avoir un gros centre de calcul pour les professionnels de l'IA. [[aitextgen#quel_carte_graphique_choisir_en_juin_2020|Quel carte graphique choisir en Juin 2020 ?]]
===== Avec cupy =====
Voir 
  * **[[cupy_vs_numpy|Cupy: calcul numpy avec CUDA]]** pour adapter un script numpy en cupy.
  * **[[compilation_de_oepncv_avec_cuda_sur_ubuntu|Installation de CUDA]]** sur Xubuntu 18.04

====Résultat====
  Temps de calcul par cycle: 18.05 s
  Meilleur résultat: learningrate=0.0208 efficacité=82.9
  
====Commentaires====
Le résultat est très mauvais, alors que c'était mieux avec le sémaphore et que le code est le même. Le chargement en RAM GPU prend du temps, qui n'est pas compensé par le calcul plus rapide, car il est trop court. 
==== Code sur GitHub ====
  * **[[https://github.com/sergeLabo/simple_ai_example/blob/master/main_cupy.py|simple_ai_example/main_cupy.py]]**

===== Avec Tensorflow =====
====Installation====
  sudo pip3 install tensorflow
====Ressources====
  * **[[le_semaphore_avec_tensorflow|Le sémaphore avec TensorFlow]]**
  * [[https://fr.wikipedia.org/wiki/TensorFlow|TensorFlow]] sur Wikipedia
  * [[https://www.tensorflow.org/|www.tensorflow.org]]
  * [[https://github.com/tensorflow|tensorflow]] sur github

==== Code sur GitHub ====
  * **[[https://github.com/sergeLabo/simple_ai_example/blob/master/main_numpy.py|simple_ai_example/main_tensorflow.py]]**

==== Résultat sur un portable sans GPU avec epochs = 10====
<code>
.......
Epoch 7/10
500/500 [==============================] - 0s 815us/step - loss: 0.6596 - accuracy: 0.8134
Epoch 8/10
500/500 [==============================] - 0s 819us/step - loss: 0.6181 - accuracy: 0.8217
Epoch 9/10
500/500 [==============================] - 0s 817us/step - loss: 0.5782 - accuracy: 0.8306
Epoch 10/10
500/500 [==============================] - 0s 823us/step - loss: 0.5511 - accuracy: 0.8389
125/125 [==============================] - 0s 742us/step - loss: 0.5752 - accuracy: 0.8345
Testing ......    
Efficacité sur les tests: 83.45 %
Apprentissage en 4.9 secondes
</code>

==== Résultat sur un portable avec GPU GTX 850m avec epochs = 10====
<code>
.......

  32/4000 [..............................] - ETA: 1s - loss: 0.6138 - acc: 0.812
  3904/4000 [============================>.] - ETA: 0s - loss: 0.5522 - acc: 0.840
  4000/4000 [==============================] - 0s 17us/sample - loss: 0.5527 - acc: 0.8403

Testing ......    
Efficacité sur les tests: 84.03 %
Apprentissage en 5.9 secondes
</code>
====Commentaires====
C'est rapide et efficace !\\
Il faut bien comprendre que le principe des calculs avec Tensorflow est le même que les scripts python.
Tensorflow est optimisé, et en plus tourne avec carte graphique ou non !!

Avec GPU, le chargement en RAM GPU prend du temps, qui n'est pas compensé par le calcul plus rapide, car il est trop court.

{{tag> ia python sb }}