Travail de Bachelor
Joao Antonio Candido Ramos
Le but de mon travail était d'implémenter l'approche analytique, proposée par Amina Mollaysa (papier), avec deux librairies python : TensorFlow et Pytorch.
Nous avons utilisé python 3.5 et les librairies suivantes :
- Numpy
- h5py
- scipy
- Matplotlib
- TensorFlow
- Pytorch
La façon la plus simple d'installer ces librairies est sans doute grâce à Anaconda et à la commande :
$ conda install nom_librairie
Pour obtenir la liste des paramètres et des informations les concernant :
python tf.py -h
Un exemple de commande pour entraîner son réseau de neuronnes pendant 4000 époques :
python tf.py filename.mat -e 4000
Le dossier logs contiendra les logs pour une visualisation sur Tensorboard. Pour visualiser il faut executer, dans le répertoire courant à tf.py, la commande suivante :
tensorboard --logdir=./logs
et se rendre ensuite sur le port 6006 local. Il semble que l'affichage des arrêtes du graphe bug sur Chrome, utilisez Firefox à la place.
Le dossier checkpoints contiendra la sauvegarde de l'etat du réseau lorsque le meilleur taux de reussite dans l'ensemble de validation a été trouvé.
Pour obtenir la liste des paramètres et des informations les concernant :
python pytorch.py -h
Un exemple de commande pour entraîner son réseau de neuronnes pendant 4000 époques :
python pytorch.py filename.mat -e 4000
Le dossier logs contiendra des graphiques générées grâce à matplotlib, sur le coût, taux de reussite de l'ensemble d'entrainement et le taux de reussite de l'ensemble de validation.
Le dossier checkpoints contiendra la sauvegarde de l'etat du réseau lorsque le meilleur taux de reussite dans l'ensemble de validation a été trouvé.