Différences

Ci-dessous, les différences entre deux révisions de la page.

--- simple_ai_example [2020/09/07 15:05] – [Avec Tensorflow] serge
+++ simple_ai_example [2021/12/14 09:47] (Version actuelle) – ↷ Liens modifiés en raison d'un déplacement. 51.15.19.181
@@ Ligne 1: / Ligne 1: @@
 ====== Exemple simple d'IA ======
-<WRAP center round box 50% centeralign>
-**{{tagpage>ia|Intelligence Artificielle}}**
+<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>
@@ Ligne 79: / Ligne 83: @@
 Voir
   * **[[cupy_vs_numpy|Cupy: calcul numpy avec CUDA]]** pour adapter un script numpy en cupy.
-  * **[[installation_de_cuda|Installation de CUDA]]** sur Xubuntu 18.04
+  * **[[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 94/100
+.......
-/500 [==============================] - 0s 931us/step - loss: 0.1040 - accuracy: 0.9668
+Epoch 7/10
-Epoch 95/100
+/500 [==============================] - 0s 815us/step - loss: 0.6596 - accuracy: 0.8134
-/500 [==============================] - 0s 920us/step - loss: 0.1001 - accuracy: 0.9678
+Epoch 8/10
-Epoch 96/100
+/500 [==============================] - 0s 819us/step - loss: 0.6181 - accuracy: 0.8217
-/500 [==============================] - 0s 937us/step - loss: 0.1003 - accuracy: 0.9669
+Epoch 9/10
-Epoch 97/100
+/500 [==============================] - 0s 817us/step - loss: 0.5782 - accuracy: 0.8306
-/500 [==============================] - 0s 934us/step - loss: 0.0966 - accuracy: 0.9682
+Epoch 10/10
-Epoch 98/100
+/500 [==============================] - 0s 823us/step - loss: 0.5511 - accuracy: 0.8389
-/500 [==============================] - 0s 921us/step - loss: 0.0941 - accuracy: 0.9681
+/125 [==============================] - 0s 742us/step - loss: 0.5752 - accuracy: 0.8345
-Epoch 99/100
+Testing ......
-/500 [==============================] - 0s 930us/step - loss: 0.0934 - accuracy: 0.9689
+Efficacité sur les tests: 83.45 %
-Epoch 100/100
+Apprentissage en 4.9 secondes
-/500 [==============================] - 0s 914us/step - loss: 0.0951 - accuracy: 0.9689
+</code>
-/125 [==============================] - 0s 826us/step - loss: 0.2054 - accuracy: 0.9285
+==== Résultat sur un portable avec GPU GTX 850m avec epochs = 10====
+<code>
+.......
+/4000 [..............................] - ETA: 1s - loss: 0.6138 - acc: 0.812
+/4000 [============================>.] - ETA: 0s - loss: 0.5522 - acc: 0.840
+/4000 [==============================] - 0s 17us/sample - loss: 0.5527 - acc: 0.8403
 Testing ......
-Efficacité sur les tests: 0.9285
+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 machine_learning python python3 sb}}
+{{tag> ia python sb }}