Recommandé
Recommandé
Contenu connexe
Similaire à Deep learning.pdf
Similaire à Deep learning.pdf (20)
Dernier
Dernier (20)
Deep learning.pdf
- 1. Réalisé par : NOUSSAIR Abdelghaffar BENHAMZA Sofiane Encadré par : Prof. R. BABALAHCEN
- 2. Le plan
- 4. Petites choses a savoir : Les images sont des ensembles des pixels combines l’un près de l’autre. Le qualité d’image depend de pixels. La taille d’une image est depend de sa qualité , type de codage,, etc ... Une Pixel est le plus petit element d une image pixel
- 5. les formats utilisés Il y a deux de formats qu’il sont utilisé par les designers . Format vectorial format matriciel
- 6. Format matriciel L’image matricielle Est une combainison des pixels Une adaptation parfait du monde Grace à le nombre important du pixels le changement du couleur vont etre douce progressivement . Affichage realist Une image matriciel sont lourdes en terme de stockage .
- 7. Comment on peut calculer coder une image noir et blanche ? =0 =1 Donc notre code (ligne par ligne) est 1110000111 1101111011 1011111101 1010110101 1011111101 1010110101 1011001101 1101111011 1110000111 1111111111 10 ligne x 10 colone = 100 pixel 100= 96+4 = 8*12 + 4 100 Pixel = 100 bits = 12 octet et 4bits =12,5 Octet synthese Taille d’une photo ( en Octet ) = nbr_ligne x nbr_colone x nbr_bits/pixel
- 8. Format victoriel L’image victorial Est une combainison de segments Image sont de resultat des formules mathematique Qui donne un grandissement infinie
- 9. Format vectorial Exemple Application lensa qui convertir des photos real en des photo vectriel Ce photo est generé par AI = des algorithms mathematique
- 11. Le deep learning ou apprentissage profond dérivé du machine learning où la machine est capable d'apprendre par elle-même, contrairement à la programmation où elle se contente d'exécuter des règles prédéterminées.
- 14. Classification binaire est une transformation de données qui vise à répartir les membres d'un ensemble dans deux groupes disjoints, par exemple si les photos contient une maison ou none !
- 15. CREATION D UN MODELE POUR LA RECONNAISSANCE DES CHATS !
- 16. Notre modele sera un peu faible car on pris un faible numero des exemples d apprentissage, mais ca marche bien pour comprendre le principe, On prend 5 exemples pour l apprentissage P(y=1 | x)=1 dans toutes les images de notre modele 1 pour indiquer que la photo est d une chatte 0 pour le cas inverse Systeme avec une image comme entree est 2 valeurs de sortie. Systeme a construire
- 17. On cherche a construire une function f avec une image comme entre est une vecteur comme sortie, soit E dans F 64 pixel 64 pixel Ces photo peut etre traduit par 64*64 pixel Chaque pixel sur trois octet , donc l image en rgb est tricanal, chaque canal depend d un des trois couleur primaire R, V, B. prend 1Octect par pixel des (valeurs en 0 a 255 chaque pixel).
- 19. 64x64x3 =12288 valeurs 64 pixel 224 227 … 225 228 … 223 224 … … 204 207 … 205 208 … 204 205 … … 167 170 … 168 171 … 164 165 … … 64 pixel U g 𝑈 = ቐ 𝑣𝑎𝑙𝑒𝑢𝑟 𝑠𝑖 𝑖𝑚𝑎𝑔𝑒 𝑐𝑜𝑛𝑡𝑖𝑒𝑛𝑡 𝑢𝑛𝑒 𝑐ℎ𝑎𝑡𝑡𝑒 𝑢𝑛𝑒 𝑎𝑢𝑡𝑟𝑒 𝑠𝑖𝑛𝑜𝑛 f( ) Rick > En utilisant numpy sous python, pour generer U a partir d une image il suffit d utiliser la commande U = np.array(image)
- 20. 224 227 … 225 228 … 223 224 … … 204 207 … 205 208 … 204 205 … … 167 170 … 168 171 … 164 165 … … U g 𝑈 = ቐ 𝑣𝑎𝑙𝑒𝑢𝑟 𝑞𝑢𝑖 𝑖𝑛𝑑𝑖𝑞𝑢𝑒 𝑠𝑖 𝑙 𝑖𝑚𝑎𝑔𝑒 𝑐𝑜𝑛𝑡𝑖𝑒𝑛𝑡 𝑢𝑛𝑒 𝑐ℎ𝑎𝑡𝑡𝑒 𝑢𝑛𝑒 𝑎𝑢𝑡𝑟𝑒 𝑠𝑖𝑛𝑜𝑛 generalement dans la regression lineare, on a la forme suivante pour g g(U) = A*U + b = V A, b sont des constantes b est monodimensionnelle A est bidimensionnelle 1x12288 dans les grands calculs, On doit choisir des valeurs pour A, b, qui minimisent les erreurs, mais ici on va prend des valeurs quelconque sans entrée aux details. Produit vectoriel
- 21. 224 227 … 225 228 … 223 224 … … 204 207 … 205 208 … 204 205 … … 167 170 … 168 171 … 164 165 … … U g 𝑈 = ቐ 𝑣𝑎𝑙𝑒𝑢𝑟 𝑞𝑢𝑖 𝑖𝑛𝑑𝑖𝑞𝑢𝑒 𝑠𝑖 𝑙 𝑖𝑚𝑎𝑔𝑒 𝑐𝑜𝑛𝑡𝑖𝑒𝑛𝑡 𝑢𝑛𝑒 𝑐ℎ𝑎𝑡𝑡𝑒 𝑢𝑛𝑒 𝑎𝑢𝑡𝑟𝑒 𝑠𝑖𝑛𝑜𝑛 Le problem maintenant c est que le system doit donner une valeur entre 0 et 1, mais V est tres tres grand par rapport a ca Solution : Segmoid fonction 𝑆 𝑧 = 1 1 + 𝑒−𝑧 0 0 1 h(V) = Segmoid(V) h est la probabilite qu une photo est d une chatte ou non.
- 22. h est la probabilite qu une photo est d une chatte ou non. h(V)= 1 1+𝑒−𝑉 Pour la derniere fonction I(x), on doit avoir soit 1 pour une chatte ou bien 0 sinon logiquement, si h < 50% on donne 0 sinon on donne 1 𝐼 𝑥 = ቊ 1 𝑠𝑖 ℎ ≥ 0,5 0 𝑠𝑖 ℎ < 0,5
- 23. En fin, on est en besoin d une seule fonction pour completer le system, La fonction qui va prend une Valeur entre 1 et 0 rt va returner 1 ou 0 Soit I(W) 𝐼 𝑊 = ൜ 1 𝑠𝑖 𝑊 > 0,5 0 𝑠𝑖 𝑊 ≤ 0,5 Donc la shema de notre system est f( ) = U g(U) = V Vecteur colone A*U + b 1 1 + 𝑒−𝑉 h(V) = W I(W) = x ൜ 1 𝑠𝑖 𝑊 > 0,5 0 𝑠𝑖 𝑊 ≤ 0,5 L’image contient une chat ou non
- 24. COMMENCONS LES CALCULS !
- 25. = a = b = c = d = e a, b, c, d, e sont des vecteurs colonnes. On prend une Valeur arbitraire pour N (1x12288) M = 0 pour l’instant g(U) = N*U + M g(a) = 38042 g(b) = 38063 g(c) = 37390 g(d) = 39694 g(e) = 36363 g(e) est la plus petite valeur Pour minimiser les erreurs on prend M = - g(e) + 1 f( ) f( ) f( ) f( ) f( ) M = 0
- 26. a, b, c, d, e sont des vecteurs colonnes. On prend a fixee N (1x12288) et M pour notre modele , tous changements va donner une resultat indesirable. g(U) = N*U + M g(a) = 38042 – 36364 + 1 = 1679 g(b) = 38063 – 36364 + 1 = 1700 g(c) = 37390 – 36364 + 1 = 1027 g(d) = 39694 – 36364 + 1 = 3331 g(e) = 36364 – 36364 + 1 = 1
- 27. g(a) = 38042 – 36364 + 1 = 1679 g(b) = 38063 – 36364 + 1 = 1700 g(c) = 37390 – 36364 + 1 = 1027 g(d) = 39694 – 36364 + 1 = 3331 g(e) = 36364 – 36364 + 1 = 1 h(g(a) ) = 1 h(g(b)) = 1 h(g(c)) = 1 h(g(d)) = 1 h(g(e)) = 0.73 Toutes les valeurs sont > 0,5 il y a une chatte
- 28. Testons notre model 0.63 0.74 0.23 Ce qui indique une chatte Ce qui indique une chatte Ce qui indique que ce n”est pas une chatte
- 29. Il faut faire attention, puisque la regression lineare n est pas toujours vrai, ce qui indique le besoin des autre techniques dans le machine Learning.