-
Notifications
You must be signed in to change notification settings - Fork 35
Expand file tree
/
Copy pathcases_03.py
More file actions
153 lines (113 loc) · 3.92 KB
/
cases_03.py
File metadata and controls
153 lines (113 loc) · 3.92 KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
import numpy as np
from tensorflow import keras
from tensorflow.keras import optimizers
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Input, Dense
import random
modele = Sequential()
# Réseau :
# C entrées : une par cases
# première couche : p neurones
# seconde couche : q neurones
# troisième couche : 1 neurone
# activation = sigma
# Toutes les config de trois cases noires parmi C cases
def toutes_configurations(C):
liste = []
for i in range(C-2):
for j in range(i+1,C-1):
for k in range(j+1,C):
config = [0]*C
config[i] = 1
config[j] = 1
config[k] = 1
liste.append(config)
return liste
# Test
C = 15 # C = 20 pour le cours
liste = toutes_configurations(C)
# print(liste)
# print(len(liste),C*(C-1)*(C-2)/6)
def hauteur(config): # différence entre le rang le plus haut et le rang le plus bas
first = True
for i in range(len(config)):
if config[i] == 1:
if first:
rang_first = i
first = False
else:
rang_last = i
return rang_last - rang_first + 1
# Architecture
# C = 20
p = 15
q = p
modele.add(Input(shape=(C,)))
# Première couche : p neurones (entrée de dimension C)
modele.add(Dense(p, activation='relu'))
# Seconde couche : q neurones
modele.add(Dense(q, activation='relu'))
# Couche de sortie : 1 neurones
modele.add(Dense(1, activation='relu'))
# sgd = optimizers.SGD(lr=1)
modele.compile(loss='mean_squared_error', optimizer='adam')
# Données d'apprentissage
liste_X = toutes_configurations(C)
random.shuffle(liste_X)
print("Taille des données", len(liste_X))
# liste_Y = [int(deux_cases_consecutives(c)) for c in liste_X] # deux cases consécutives ?
# liste_Y = [rang_maximum(c) for c in liste_X] # rang maximum de la liste
liste_Y = [hauteur(c) for c in liste_X] # hauteur maximum de la liste
# Données d'apprentissage
taille_train = len(liste_X)//2
X_train = np.array(liste_X[:taille_train])
Y_train = np.array(liste_Y[:taille_train])
# Données de test
X_test = np.array(liste_X[taille_train:])
Y_test = np.array(liste_Y[taille_train:])
# print(X_train)
# print(Y_train)
# print(X_test)
# print(Y_test)
# Descente de gradient
# Il faut epochs = 4000 pour que les poids soient bien ajustés
modele.fit(X_train, Y_train, epochs=500, batch_size=len(X_train), verbose = 1)
# modele.fit(X_train, Y_train, epochs=4000, batch_size=100, verbose = 1)
print(modele.summary())
# Evaluation
print('\n Evaluation sur les données de test')
loss_test = modele.evaluate(X_test, Y_test)
print('loss du test', loss_test)
def evaluation():
print("\nEvaluation p =", p)
# A. Evaluation sur les données d'apprentissage
nb_correct = 0
for i in range(len(X_train)):
entree = np.array([X_train[i]])
sortie_attendue = np.array([Y_train[i]])[0]
sortie_predite = modele.predict(entree)[0][0]
# print(entree)
# print(sortie_attendue)
# print(sortie_predite)
if round(sortie_predite) == sortie_attendue:
nb_correct += 1
print("Nb de données d'apprentissage :", len(X_train))
print("Nb de données prédite correctement :", nb_correct)
perc = nb_correct/len(X_train)*100
print("Pourcentage de réussite :",round(perc))
nb_correct = 0
for i in range(len(X_test)):
entree = np.array([X_test[i]])
sortie_attendue = np.array([Y_test[i]])[0]
sortie_predite = modele.predict(entree)[0][0]
# print(entree)
# print(sortie_attendue)
# print(sortie_predite)
if round(sortie_predite) == sortie_attendue:
nb_correct += 1
print("Nb de données dans le test :", len(X_test))
print("Nb de données prédite correctement :", nb_correct)
perc = nb_correct/len(X_train)*100
print("Pourcentage de réussite :", round(perc))
return
evaluation()