cellinfo
/
iprbench
4
0
Fork 0
Code Issues Pull Requests Packages Projects Releases Wiki Activity

fixed code styling issues 

work related to [https://bugzilla.ipr.univ-rennes.fr/show_bug.cgi?id=3345]
This commit is contained in:
Guillaume Raffy 2025-03-20 07:42:32 +01:00
parent e5cc65c015
commit 01a6973fbb
2 changed files with 45 additions and 55 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

16
iprbench/resources/tensorflow1/DS_Data.py
View File

@ -7,18 +7,15 @@ Created on Wed Sep 25 14:19:41 2024
import numpy as np # pour faire du calcul matriciel import numpy as np # pour faire du calcul matriciel
from PIL import Image # pour lire une image from PIL import Image # pour lire une image
import matplotlib.pyplot as plt #pour faire des tracer # import matplotlib.pyplot as plt # pour faire des tracer
# lecture image ###################################### # lecture image ######################################
image_file = Image.open("GAN.bmp") image_file = Image.open("GAN.bmp")
image_bmp = 1. * np.array(image_file) # on transforme le fichier en matrice nommée image_bmp image_bmp = 1. * np.array(image_file) # on transforme le fichier en matrice nommée image_bmp
image_file.close() # fermeture du fichier en lecture image_file.close() # fermeture du fichier en lecture
##################################################### #####################################################
# code pour aider à comprendre une image # code pour aider à comprendre une image
################################################################################ ################################################################################
@ -36,21 +33,16 @@ for colonne in range(0,nb_colonne):
image_traitee[ligne, colonne] = image_bmp[ligne, colonne] # regarder les tableaux avec variable explorer image_traitee[ligne, colonne] = image_bmp[ligne, colonne] # regarder les tableaux avec variable explorer
# if False:
# plt.imshow(image_traitee,'gray') # plt.imshow(image_traitee,'gray')
# plt.show() # plt.show()
################################################################################# #################################################################################
# fin code pour comprendre une image # fin code pour comprendre une image
# DS partie Data # DS partie Data
# complétez le code suivant pour créer votre database tq; x_train = position du pixel et y_target = couleur du pixel # complétez le code suivant pour créer votre database tq; x_train = position du pixel et y_target = couleur du pixel
# declaration des tableaux # declaration des tableaux
X_train = np.zeros((nb_colonne * nb_ligne, 2)) X_train = np.zeros((nb_colonne * nb_ligne, 2))
Y_target = np.zeros((nb_colonne * nb_ligne)) Y_target = np.zeros((nb_colonne * nb_ligne))

6
iprbench/resources/tensorflow1/DS_Train.py
View File

@ -10,9 +10,9 @@ Created on Wed Sep 25 14:38:32 2024
# ASTUCE un loss inférieur à 0.005 permets déjà d'obtenir des résultats intéréssants # ASTUCE un loss inférieur à 0.005 permets déjà d'obtenir des résultats intéréssants
import time
import tensorflow as tf import tensorflow as tf
import numpy as np import numpy as np
from PIL import Image #pour lire une image
X_train = np.genfromtxt('X_train.txt', delimiter=';') X_train = np.genfromtxt('X_train.txt', delimiter=';')
@ -37,15 +37,13 @@ model.compile(
) )
###### D'après à quoi peuvent servir le code des lignes 38 à 41
def scheduler(epoch): # dans cette fonction il est possible de faire des test if en fonction de epoch pour retourner différente valeur de la ??? def scheduler(epoch): # dans cette fonction il est possible de faire des test if en fonction de epoch pour retourner différente valeur de la ???
return 0.0001 return 0.0001
callback_vitesse_apprentissage = tf.keras.callbacks.LearningRateScheduler(scheduler) callback_vitesse_apprentissage = tf.keras.callbacks.LearningRateScheduler(scheduler)
################################################################### ###################################################################
import time
start_time = time.time() start_time = time.time()
model.fit(X_train, Y_target, epochs=3, verbose=1, callbacks=[callback_vitesse_apprentissage]) model.fit(X_train, Y_target, epochs=3, verbose=1, callbacks=[callback_vitesse_apprentissage])
end_time = time.time() end_time = time.time()