added the resources for tensorflow1 benchmark.

Received from Eric Robin on 10/03/2025

work related to [https://bugzilla.ipr.univ-rennes.fr/show_bug.cgi?id=3345]

iprbench/resources/tensorflow1/DS_Data.py

@@ -0,0 +1,69 @@
+# -*- coding: utf-8 -*-
+"""
+Created on Wed Sep 25 14:19:41 2024
+
+@author: errobin
+"""
+
+import numpy as np #pour faire du calcul matriciel
+from PIL import Image #pour lire une image
+import matplotlib.pyplot as plt #pour faire des tracer
+
+#lecture image ######################################
+
+image_file = Image.open("GAN.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
+#####################################################
+
+
+
+
+# code pour aider à comprendre une image
+################################################################################
+
+# recupère les dimension de l'image ###############
+dim=image_bmp.shape
+
+nb_ligne=dim[0]
+nb_colonne=dim[1]
+image_traitee=np.zeros((nb_ligne,nb_colonne)) #déclaration d'un tableau au dimension de l'image
+###################################################
+
+# Affecte les valeurs de la matrice image_bmp à image_traitee
+for colonne in range(0,nb_colonne):
+    for ligne in range(0,nb_ligne):
+        
+        image_traitee[ligne,colonne]=image_bmp[ligne,colonne]#regarder les tableaux avec variable explorer
+        
+# plt.imshow(image_traitee,'gray')
+# plt.show()
+#################################################################################
+
+# fin code pour comprendre une image
+
+
+
+
+# DS partie Data
+#complétez le code suivant pour créer votre database tq; x_train = position du pixel et y_target = couleur du pixel
+
+
+
+
+#declaration des tableaux
+X_train=np.zeros((nb_colonne*nb_ligne,2))
+Y_target=np.zeros((nb_colonne*nb_ligne))
+
+compt=0
+for colonne in range(0,nb_colonne):
+    for ligne in range(0,nb_ligne):
+        X_train[compt,0]=colonne
+        X_train[compt,1]=ligne
+        
+        Y_target[compt]=image_bmp[colonne,ligne]/255.
+        compt=compt+1
+        
+#sauvagarde de la database
+np.savetxt("X_train.txt", X_train, delimiter=';') 
+np.savetxt("Y_target.txt", Y_target, delimiter=';')        

iprbench/resources/tensorflow1/DS_Train.py

@@ -0,0 +1,53 @@
+# -*- coding: utf-8 -*-
+"""
+Created on Wed Sep 25 14:38:32 2024
+
+@author: errobin
+"""
+
+# DS partie Train
+#complétez/joué sur les hyperparamètres (vitesse d'apprentissage et nb epoch) et sur l'architecture du modèle pour l'entrainer et pour le sauver (une fois entrainé)
+# ASTUCE un loss inférieur à 0.005 permets déjà d'obtenir des résultats intéréssants
+
+
+import tensorflow as tf
+import numpy as np
+from PIL import Image #pour lire une image
+
+
+X_train = np.genfromtxt('X_train.txt',delimiter=';')
+Y_target = np.genfromtxt('Y_target.txt',delimiter=';')
+
+#Partie ANN definition + entrainement
+#*****************************************    
+model = tf.keras.models.Sequential()
+
+model.add(tf.keras.layers.Dense(2048, activation="relu"))
+model.add(tf.keras.layers.Dense(1024, activation="relu"))
+model.add(tf.keras.layers.Dense(512, activation="relu"))
+model.add(tf.keras.layers.Dense(256, activation="relu"))
+model.add(tf.keras.layers.Dense(128, activation="relu"))
+model.add(tf.keras.layers.Dense(64, activation="relu"))
+model.add(tf.keras.layers.Dense(32, activation="relu"))
+model.add(tf.keras.layers.Dense(1))
+
+model.compile(
+    loss="mse",
+    optimizer="adam"
+)
+
+
+
+###### 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 ???
+    return 0.0001
+
+callback_vitesse_apprentissage = tf.keras.callbacks.LearningRateScheduler(scheduler)
+###################################################################
+
+import time
+start_time = time.time()
+model.fit(X_train, Y_target, epochs=3,verbose=1,callbacks=[callback_vitesse_apprentissage])
+end_time = time.time()
+temps_cal = end_time - start_time
+print(temps_cal)