Mise en oeuvre des framework de machines et deep learning v1

Mise en œuvre des Framework de Machines et Deep
Learning pour les applications Web et Mobiles :
Cas de TensorFlow.JS et DeepLearning4J
By : Mohamed YOUSSFI
Lab. SSDIA, ENSET Mohammedia,
Hassan II University of Casablanca
Morocco
IA
Conf à l’AIAC de Casablanca Carrefour des Informaticiens : Le 30/03/2019
Conf à l’ENSET Mohammedia sous le thème IOT et Intelligence Artificielle : Le 20/02/2019

Plan de la conférence
• Quelques Concepts de base à comprendre :
• Machines er Deep Learning, Les réseaux de neurones artificiels, MLP et CNN
• Les problèmes et les contraintes posées par les algorithmes d’apprentissage basés sur les réseaux de neurones
• Principaux catalyseurs qui ont redynamisé l’intelligence artificielle:
• Calcul de hautes performances à savoir les architectures massivement parallèles et les systèmes distribués
• La Virtualisation et le cloud Computing
• Big Data, IOT et Applications Mobiles
• Framework et Algorithmes de Machines et Deep Learning
• Réseaux et Télécommunications
• Open source
• L’écosystème des Framework de Machines et Deep Learning.
• L’architecture du Framwork TensorFlow
• Comment développer des applications de machines et Deep Learning pour les applications Web et Mobile en
utilisant TensorFlow.JS et ML.JS
• Comment développer des applications de machines et Deep Learning pour les applications Java JEE en utilisant le
Framework DeepLearning4J

Machines Learning
L'apprentissage automatique est un champ
d'étude de l'intelligence artificielle qui se fonde
sur des approches statistiques pour donner
aux ordinateurs:
• La capacité d’apprentissage à partir de
données expérimentales (Entrées et
Sorties connues)
• Effectuer des prédictions sur de nouvelles
entrées
Algorithmes
Machines Learning
Automatisation
Extraction de
La connaissance
Entrées Sorties

Exemple très simple expliqué aux artisans
Imaginez que vous êtes un botaniste et que vous vous intéresser à déterminer la relation qui existe entre le diamètre et
la hauteur des troncs d’une catégorie d’arbres.
Diamètre (cm) Hauteur (m)
10 2,8
17 4,6
14 4
9 2,6
21 5,8
25 6,9
31 8,8
12 3,4
23 6,6
32 9
31 8,7
11 3
13 3,8
0
1
2
3
4
5
6
7
8
9
10
0 5 10 15 20 25 30 35
Hauteur (m)
19 ?
Prédiction /
Deviner
Mesures Expérimentales
Tracer une droite comme modèle pour
généraliser à partir des données de l’expérience :
Apprentissage
 Machines Learning c’est faire
la même chose pour des
problèmes complexes en
utilisant des algorithmes
• Phase d’apprentissage :
Chercher les valeurs de a et b
qui permettent de définir une
droite qui colle aux nuages de
points
• Phase de prédiction : Pour une
entrée x quelconque, le modèle
calcule la sortie y correspondante
X Y
Y= a x + b
Modèle
a b

Comment paramétrer ce modèle :
Initialiser a et b par des valeurs aléatoires
Donner au modèle le diamètre de l’arbre
En entrée X et constater la sortie obtenue Y
Comparer la sortie prédite Y à la sortie
attendue H . Calculer l’erreur (Err=Y-H)
Faire tourner les boutons jusqu'à ce que la
sortie Y corresponde à la valeur H attendue
Diamètre (cm) Hauteur (m)
10 2,8
17 4,6
14 4
9 2,6
21 5,8
25 6,9
31 8,8
12 3,4
23 6,6
32 9
31 8,7
11 3
13 3,8
Pour chaque ligne des mesures
Mesure suivante?
Nouvelle époque?
Fin de l’entrainement du modèle
X : diamètre
Y : Hauteur
Y= a x + b
Modèle
a
b
∑
Avec beaucoup d’expérience ou un peu de maths
• Pour le réglage du bouton a : a= a + X*erreur * µ
• µ entre 0 et 1 : Learning rate (Vitesse d’apprentissage)
• Pour le réglage du bouton b : b= b + β*erreur * µ
• β s’appelle le BIAIS qui est toujours égale à 1
• Au lieu de régler les boutons a et b pour chaque mesure, prendre
le temps de noter les erreurs obtenues pour N mesures et par la
suite trouver une formule qui permet de trouver le bon réglage à
faire sur les boutons a et b qui permet de minimiser l’erreur pour
toutes les mesures : N représente le Batch size
X : diamètre
Y : Hauteur
1 : Biais
Y= a x + b
Modèle
a
b
∑

Neurone Artificiel
Un neurone artificiel (NA) est une unité de calcul élémentaire (fonction mathématique )
permet de mettre en relations des entrées Xi avec une sortie Y
 Un neurone artificiel est représentation approximative d’un neurone
biologique
◦ Additionne ses entrées xi pondérées par des poids wi ,
◦ compare la somme résultante à une valeur seuil selon un fonction
d’activation,
◦ répond en émettant un signal si cette somme est supérieure ou égale à
ce seuil (modèle ultra-simplifié du fonctionnement d'un neurone
biologique).
◦ Ces neurones sont par ailleurs associés en réseaux dont la topologie des
connexions est variable : réseaux proactifs, récurrents, etc.
◦ Enfin, l'efficacité de la transmission des signaux d'un neurone à l'autre
peut varier : on parle de « poids synaptique », et ces poids peuvent être
modulés par des règles d'apprentissage (ce qui mime la plasticité
synaptique des réseaux biologiques).
 Un neurone reçoit des signaux venant de d’autres neurones à travers
ses dendrites(connexions)
 Emit un signal ou non à travers son Axone selon les entrées reçues et
les poids synaptiques.
• Sum=x1w1+x2w+x3w3
• Si Sum>Seuil => Y=1 Si non Y=0
X1
X2
X3
Y
W1
W2
W3

Perceptron [Frank Rosenblatt ,1957]
Modèle d’apprentissage supervisé, classifieurs binaires (séparant deux classes).
Le perceptron reçoie un ensemble d’entrées pondérées par des poids synaptiques
wi et produit une sortie binaire en sortie.
La sortie est produite en :
• Additionnant les entrées xi pondérées par les poids synaptiques du perceptron wi
• 𝑺 = σ𝒊=𝟏
𝒎
𝒙𝒊 𝒘𝒊
• Ensuite on applique à cette somme une fonction d’activation non linéaire qui produit une
sortie binaire. : Exemple Seuillage
• 𝒀 = ቊ
𝟏 𝒔𝒊 𝑺 ≥ 𝜽
−𝟏 𝒔𝒊 𝑺 < 𝜽
Dans la phase d’apprentissage,
• err= Yp - Yt
• mise à ajour des poids : 𝒘𝒊(t)=𝒘𝒊(t-1)+μ err
• μ : vitesse d’apprentissage (entre 0 et 1)

Exemple un peu plus complexe : Prédiction du diabète
Pr Gluc BP ST Ins BMI DPF Age Output
6 148 72 35 0 33.6 0.627 50 1
1 85 66 29 0 26.6 0.351 31 0
8 183 64 0 0 23.3 0.672 32 1
1 89 66 23 94 28.1 0.167 21 0
0 137 40 35 168 43.1 2.288 33 1
5 116 74 0 0 25.6 0.201 30 0
3 78 50 32 88 31 0.248 26 1
10 115 0 0 0 35.3 0.134 29 0
 Inputs :
1. Pregnancies : Nombre de grossesses
2. Glucose : La taux de Glucose dans le sang
3. Blood Pressure : La pression du sang
4. Skin Thickness : Epaisseur de la peau
5. Insulin : Le taux de l’insuline présent dans le sang
6. BMI : Indice de masse corporel
7. Diabetes Pedigree Function Antécédents de diabète sucrégénitique.
8. Age : Age du patient
 Output : Présence ou non du diabète
G
BP
ST
IN
Pr
B
m
1
2
3
0 : Non diabète
4
5
6
Dp 7
A
8
?
Layer 1 Layer 2 Layer 2
Multi Layer Perceptron : Fully Connected
• 8 Entrées
• 1 Sortie
• 3 Couches de neurones
• Layer 1 : 4 neurones
• Layer 2 : 3 neurones
• Layer 3 : 2 neurone
• Nre Cxions : 8x4+4x3+3x2=50
Pour ajuster les poids de connexions:
Algo de Rétro Propagation du Gradient : (SGD, ADAM, etc.)
1 : diabète
0 : Non diabète
1 : diabète

Qu’en est ils, pour le cas de classification des images ?
 Pour le cas des images
deux approches:
◦ Machines Learning :
 Passer par un algo d’extraction
de caractéristiques qui vont
alimenter le réseaux (Réseaux
de dimension faible)
◦ DeepLearning :
 Alimenter le réseaux avec tous
les pixels des images brutes en
ajoutant beaucoup de couches
cachées au réseau
 Fully Connected (MLP)
 Convolution Neural Network
(CNN)
Algo Extraction Caractéristiques
500 x 400 = 200 000 Pixels
MLP : Fully Connected
CNN : [ Convolution, RELU, MAX PULLING ] [ Fully Connected ]
500 x 400 = 200 000 Pixels

Réseaux de neurones à convolution : CNN
• En apprentissage profond, un réseau de neurones convolutifs ou réseau de neurones à convolution (en anglais CNN ou
ConvNet pour Convolutional Neural Networks) est un type de réseau de neurones artificiels, dans lequel le motif de connexion
entre les neurones est inspiré par le cortex visuel des animaux.
• Les réseaux neuronaux convolutifs ont de larges applications dans la reconnaissance d'image et vidéo, les systèmes de
recommandation et le traitement du langage naturel.
• Les réseaux de neurones convolutifs ont une méthodologie similaire à celle des méthodes traditionnelles d'apprentissage
supervisées : ils reçoivent des images en entrée, détectent les features (caractéristiques) de chacune d'entre elles, puis
entraînent un classifieur.
• Un CNN se compose des différentes couches suivantes :
• Couches de convolution qui consiste à appliquer un filtre de convolution à l’image pour détecter des caractéristiques de
l’image
• Couche de correction ReLU (Rectified Linear Unit) qui consiste à remplacer les nombres négatifs des images filtrées par des
zéros.
• Couches de Pooling qui consiste à réduire la taille de l’image en remplaçant en ne gardant les informations les plus
importantes. Par exemple pour chaque groupe de 4 pixel le pixel ayant la valeur maximale (Max Pooling)
• Couche entièrement connectée (Fully Connexted) qui reçoie un vecteur en entrée contenant les pixels aplatis de toutes les
images filtrées, corrigées et réduite par le pooling.

Image Originale
Kernel size : 3 x 3
Stride : 1
Kernel
Covolution Layer

Image Originale
Convolution
( (1)*(-1) + (-1)*(-1) + (-1)*(-1)+
(-1)*(-1) + (1)*(1) + (-1)*(-1)+
(-1)*(-1) + (-1)*(-1) + (1)*(1) ) /9 => 0.78
Kernel size : 3 x 3
Stride : 1
Image Filtrée
Kernel

Image Originale
Convolution
( (1)*(-1) + (-1)*(-1) + (-1)*(-1)+
(-1)*(1) + (1)*(-1) + (-1)*(-1)+
(-1)*(-1) + (-1)*(1) + (1)*(-1) ) /9 => -0.11
Kernel size : 3 x 3
Stride : 1
Image Filtrée
Kernel

Image Originale
Convolution
( (1)*(-1) + (-1)*(-1) + (-1)*(-1)+
(-1)*(-1) + (1)*(-1) + (-1)*(-1)+
(-1)*(1) + (-1)*(-1) + (1)*(-1) ) /9 => 0.11
Kernel size : 3 x 3
Stride : 1
Image Filtrée
Kernel

Image Originale
Convolution
( (1)*(-1) + (-1)*(-1) + (-1)*(-1)+
(-1)*(-1) + (1)*(-1) + (-1)*(-1)+
(-1)*(-1) + (-1)*(-1) + (1)*(-1) ) /9 => 0.33
Kernel size : 3 x 3
Stride : 1
Image Filtrée
Kernel

Image Originale
Convolution
( (1)*(-1) + (-1)*(-1) + (-1)*(-1)+
(-1)*(-1) + (1)*(-1) + (-1)*(-1)+
(-1)*(-1) + (-1)*(-1) + (1)*(1) ) /9 => 0.58
Kernel size : 3 x 3
Stride : 1
Image Filtrée
Kernel

Image Originale
Convolution
( (1)*(-1) + (-1)*(-1) + (-1)*(-1)+
(-1)*(-1) + (1)*(1) + (-1)*(1)+
(-1)*(-1) + (-1)*(1) + (1)*(-1) ) /9 => -0.11
Kernel size : 3 x 3
Stride : 1
Image Filtrée
Kernel

Image Originale
Convolution
( (1)*(-1) + (-1)*(-1) + (-1)*(-1)+
(-1)*(-1) + (1)*(1) + (-1)*(-1)+
(-1)*(1) + (-1)*(-1) + (1)*(-1) ) /9 => 0.33
Kernel size : 3 x 3
Stride : 1
Image Filtrée
Kernel

Image Originale
Convolution
( (1)*(-1) + (-1)*(1) + (-1)*(-1)+
(-1)*(-1) + (1)*(-1) + (-1)*(1)+
(-1)*(-1) + (-1)*(-1) + (1)*(-1) ) /9 => -0.11
Kernel size : 3 x 3
Stride : 1
Image Filtrée
Kernel

Image Originale
Convolution
( (1)*(1) + (-1)*(-1) + (-1)*(-1)+
(-1)*(-1) + (1)*(1) + (-1)*(-1)+
(-1)*(-1) + (-1)*(-1) + (1)*(1) ) /9 => 1
Kernel size : 3 x 3
Stride : 1
Image Filtrée
Kernel

Image Originale
Convolution
( (1)*(-1) + (-1)*(-1) + (-1)*(-1)+
(-1)*(-1) + (1)*(1) + (-1)*(-1)+
(-1)*(-1) + (-1)*(-1) + (1)*(1) ) /9 => -0.11
Kernel size : 3 x 3
Stride : 1
Image Filtrée
Kernel

Image Originale
Convolution
( (1)*(-1) + (-1)*(-1) + (-1)*(-1)+
(-1)*(-1) + (1)*(1) + (-1)*(-1)+
(-1)*(-1) + (-1)*(-1) + (1)*(1) ) /9 => 0.33
Kernel size : 3 x 3
Stride : 1
Image Filtrée
Kernel

Image Originale
Convolution
( (1)*(-1) + (-1)*(-1) + (-1)*(-1)+
(-1)*(-1) + (1)*(1) + (-1)*(-1)+
(-1)*(-1) + (-1)*(-1) + (1)*(1) ) /9 => 0.11
Kernel size : 3 x 3
Stride : 1
Image Filtrée
Kernel

Image Originale
Convolution
( (1)*(-1) + (-1)*(-1) + (-1)*(-1)+
(-1)*(-1) + (1)*(1) + (-1)*(-1)+
(-1)*(-1) + (-1)*(-1) + (1)*(1) ) /9 => 1
Kernel size : 3 x 3
Stride : 1
Image Filtrée
Kernel

Image Originale
Convolution
( (1)*(-1) + (-1)*(-1) + (-1)*(-1)+
(-1)*(-1) + (1)*(1) + (-1)*(-1)+
(-1)*(-1) + (-1)*(-1) + (1)*(1) ) /9 => -0.33
Kernel size : 3 x 3
Stride : 1
Image Filtrée
Kernel

Image Originale
Convolution
( (1)*(-1) + (-1)*(-1) + (-1)*(-1)+
(-1)*(-1) + (1)*(1) + (-1)*(-1)+
(-1)*(-1) + (-1)*(-1) + (1)*(1) ) /9 => 0.58
Kernel size : 3 x 3
Stride : 1
Image Filtrée
Kernel

Image Originale
Convolution
( (1)*(-1) + (-1)*(-1) + (-1)*(-1)+
(-1)*(-1) + (1)*(1) + (-1)*(-1)+
(-1)*(-1) + (-1)*(-1) + (1)*(1) ) /9 => 0.56
Kernel size : 3 x 3
Stride : 1
Image Filtrée
Kernel

Image Originale
Convolution
( (1)*(-1) + (-1)*(-1) + (-1)*(-1)+
(-1)*(-1) + (1)*(1) + (-1)*(-1)+
(-1)*(-1) + (-1)*(-1) + (1)*(1) ) /9 => 33
Kernel size : 3 x 3
Stride : 1
Image Filtrée
Kernel

Image Originale
Convolution
( (1)*(-1) + (-1)*(-1) + (-1)*(-1)+
(-1)*(-1) + (1)*(1) + (-1)*(-1)+
(-1)*(-1) + (-1)*(-1) + (1)*(1) ) /9 => -
0.11
Kernel size : 3 x 3
Stride : 1
Image Filtrée
Kernel

RELU Activation
Image Filtrée
Image Filtrée avec RELU
RELU Activation Function

POOL MAX
Image Après Pool Max
POOLING Layer (POOL MAX)
Kernel size : 2 x 2 Stride : 2

POOL MAX
Image Après Pool Max
POOLING (POOL MAX)
Kernel size : 2 x 2 Stride : 2

0.90 X
0.10 O
Conv RELU PULL
Conv RELU PULL
Fully Connected Layer (Dense Layer)
Filtre 1
Filtre 2

Problème des réseaux de neurones
Pour avoir un modèle qui représente plus la réalité, il faudrait bien
choisir :
• Le bon type du modèle (MLP, CNN, RNN, etc.)
• Le bon nombre de couches de neurones
• Pour chaque couche il faut choisir :
• Le nombre de neurones adéquat
• La bonne fonction d’activation (RELU, SIGMOID, …)
• Le nombre de filtres, la taille des filtres, types filtres
• La bonne valeur de la vitesse d’apprentissage (Entre 0 et 1)
• La bonne fonction de perte (Loss Function) produisant l’erreur à
minimiser (Mean squared error, Cross entropy, etc.)
• Le bon algorithme de rétropropagation du gradient permettant de
mettre à jour les poids des connexions en minimisant la fonction de
perte : SGD, ADAM, etc...
• Et surtout un data set de très grande taille pour représenter le
maximum d’échantillons de la réalité.

Problème des réseaux de neurones
• Ce qui fait que pendant la phase d’apprentissage,
• Avec une grande quantité de données,
• Un grand nombre de neurones,
• Les algorithmes d’entrainement nécessitent beaucoup de calculs
avec beaucoup d’itérations.
• Consomment énormément de temps pour chaque exécution, voire
parfois mission impossible quand une s’agit d’un simple ordinateur.
• Pour sauver les réseaux de neurones et donner un nouveau souffle à
l’intelligence artificielle, il fallait des architectures de calcul de
hautes performances permettant d’accélérer les algorithmes
d’entrainement des réseaux de neurones.
• Il fallait attendre jusqu’au début des années 2000 pour assister au
début de l’émergence des premiers catalyseurs de l’intelligence
artificielle à savoir les architectures parallèles et distribuées..
Quelle Type de machines qui va
faire tous ces calculs ?

Catalyseurs de l’IA
IOT et Systèmes embarqués
Systèmes Distribués Middlewares
Framework de ML
Big Data
App Web & Mobiles
Virtualisation & Cloud Computing
CNN, RNN
Architectures Parallèles HPC
NVIDIA GPU
AMD GPU

Catalyseurs de l’IA : Ressources de Calcul et de Stockage
➢ Architectures massivement parallèles HPC
• Vers 2000 , GPU de NVIDIA pour les jeux vidéos
• Scientifiques et HPC Architectures MP théoriques imaginables
• Course à l’ordinateur le plus puissant coyant à la loie de MOORE
• Vers 2010, Nvidia GeForce 3 ouvre ses GPU pou GP GPU avec CUDA
• Autres constructeurs on suivi NVIDIA pour GP GPU:
• AMD avec sa carte Radeon
• IntelHD : Circuits intégrés dans le CPU
• OpenCL pour GPGPU Cross Platform
• OpenGL pour GPGPU pour les systèmes embarqués
• WebGL pour GPGPU dans les navigateurs Web
Framework de ML
Big Data
App Web & Mobiles
CNN, RNN
NVIDIA GPU
AMD GPU

• Systèmes Distribués
• Middlewares RMI, CORBA, JMS, MPI
• Grilles de Clacul
• App : Accélérateur de particule
• Problèmes de Grilles de calcul
• Protocoles de messageries asynchrones:
• AMQP, MQTT, STOMP
• Brokers : RabbitMQ, ActiveMQ
• Caches mémoires Distribués : Hazelcast
• Middlewares SMA : JADE
Framework de ML
Big Data
App Web & Mobiles
CNN, RNN
NVIDIA GPU
AMD GPU

• Virtualisation et Le Cloud Computing
• Virtualisation des machines : VMWare
• Cloud Computing (Systèmes Distribués)
• SaaS, IaaS, PaaS
• Google, Microsoft, Amazon, Facebook, IBM,…
• Cloud Micro-services avec Spring Cloud
• Docker : Conteneurs légers
• Kubernetes pour l’orchestration des micro-services
Framework de ML
Big Data
App Web & Mobiles
CNN, RNN
NVIDIA GPU
AMD GPU

Catalyseurs de l’IA : Disponibilité des données
➢ Disponibilité des données :
• Big Data :
• HDFS : Hadoop
• NoSQL : MongoDB, Casandra, etc..
• Neo4J
• MapReduce, Spark, KAFKA, Hazelcast
• IOT : Sensors, Cartes Arduino, Raspberry PI
• App Web et Mobile : Smartphones, Cordova, PhoneGap
Framework de ML
Big Data
App Web & Mobiles
CNN, RNN
NVIDIA GPU
AMD GPU

Catalyseurs de l’IA : Framework et Algo de Machines et Deep Learning
• Framework Machines et Deep Learning
• Loin des laboratoires de recherche des universités : Google,
Facebook, etc..
• Mise en pratique les algo de l’IA en exploitant les GPUs et les SD.
• API de calcul parallèle sur GPU des algo de l’algèbre linéaire
basée sur C (CUDA, OpenCL)
• API de haut niveau avec Python, C++, Java
• 2015 : Framework de ML : TensorFlow
• API de haut niveau : KERAS (Python et C++)
• PyTorch, ML.Net(C#), DL4J (Java), TensorFlow.JS
• Algo basés sur les RN: MLP, CNN et RNN
Framework de ML
Big Data
App Web & Mobiles
CNN, RNN
NVIDIA GPU
AMD GPU

Catalyseurs de l’IA
• Réseaux et Télécommunication (4G, 5G,
Wireless, Fibre Optique )
et
• L’Open Source
Framework de ML
Big Data
App Web & Mobiles
CNN, RNN
NVIDIA GPU
AMD GPU

Comment démarrer l’apprentissage des concepts et
dela pratique de Machines et Deep Learning
• Pour comprendre les bases Machines et Deep Learning, ii serait important de commencer par :
• Créer une implémentation basique d’un perceptron en utilisant votre langage de préférence : Java, Java Scrpit, Python, C#,
C++, PHP
• Créer une implémentation d’un réseaux de neurones multicouches de perceptrons en utilisant votre langage de
préférence : Java, Java Scrpit, Python, C#, C++, PHP
• Cohoisir un Framewok de Machines et Deep Learning en fonction de votre langage de préférence
:
• Pour JAVA : DeepLearning4J de SkyMind
• Pour Java Script et NodeJS : TensorFlow.JS de Google et ML5.JS
• Pour Python :
• TensorFlow, KERAS
• PyTorch de FaceBook
• Pour C++ :
• TensorFlow
• Caffe
• Pour les développeur .NET (C#) : ML.NET
• Pour PHP : PHP-ML

TensorFlow.JS
• TensorFlowJS est un
Framework de machines et
Deep Learning basée sur
JavaScript
• Ce Framework s’appuie sur
WebGL qui permet d’utiliser
les GPUs pour accélérer les
calcul

Architecture de TensorFlow
Signification :
• Tensor :
• Object représentant une structure mathématique qui peut
représenter :
• un nombre scalaire, Un vecteur, Une matrice 2D, Une matrice
3D, 4D, … nD
• Avec des opérations de l’algèbre linéaire permettant
différents calcul matriciels pouvant exploiter les CPUs et les
architectures massivement parallèles à base des GPUs.
• Flow : signifie Débit ou Flux
Votre Application Application
CUDA | OpenCL (C)
Matériel de calcul : CPUs et GPUs
TF : Low Level API en C
OpenGL
WebGL
TF: Python TF: C++ TF: Java
TensorFlow.JS Core API
KERASML5.JS
• La couche bas niveau de TensorFlow est développée en C car la programmation parallèle sur les GPU de Nvidea utilise CUDA qui est basé sur le langage C.
• Il existe plusieurs implémentations de API de haut niveau permettant programmer des applications de faire du machines learning basées sur TensorFlow :
• API Python, API C++, API Java
• KERAS est une API de haut niveau qui permet de faire du machines Learning avec TensorFlow d’une manière plus simple
• TensorFlow.JS est une implémentation Java Script de TensorFlow basée sur WebGL
TF.JS LAYER API

Comment utiliser TensorFlow avec Java Script
Solution classique : Machines Learning Sever Side
• Par exemple Utiliser Python Flusk Server
Flusk Server
Phyton
TensorFlow
Java Script
Client Java Script
HTTP, JSON
CPU GPUCPU GPU
Web Socket

TensorFlow.JS
Client Java Script
CPU GPU
TensorFlow.JS
WebGL
 WebGL est interface des Browsers web vers :
◦ OpenGL ES 2.0 (OpenGL for Embedded Systems )
◦ qui permet d’effectuer des calculs sur les GPUs.
TensorFlow.JS
Core API Layers API
 Core API : Low Level API
◦ Basic buildin blocs of the TensorFlow.JS
 Layers API : Hi Level API
◦ Pour créer facilement différents types de modèles
◦ Equivalent à KERAS

TensorFlow.JS
• Tensorflow.js est une bibliothèque
construite sur deeplearn.js pour créer
des modules d'apprentissage en
profondeur directement sur le
navigateur.
• Créer des modèles d’apprentissage CNN,
RNN, etc. Les entrainer directement sur
le navigateur en utilisant la puissance de
traitement du GPU du client.
• Par conséquent, un GPU de serveur
n'est pas nécessaire pour former le NN.

Intégration de TensorFlow.JS dans une page HTML
Intégration de TensorFlow.JS dans HTML
<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@0.14.1/dist/tf.min.js"> </script>
 Télécharger la librairie TensorFlowJS :
◦ npm install --save @tensorflow/tfjs
<script src="node_modules/@tensorflow/tfjs/dist/tf.min.js"></script>

Tensors.JS : Core API => Tensors tf.tensor (values, shape?, dtype?)
let t1=tf.tensor([2,6,7,8,9,5],[2,3]);
console.log("Tensor t1 [2x3]:");
t1.print();
let t2=tf.tensor([2.7,6,1,2,1,4],[3,2]);
t1.print();
console.log("Tensor t3 transposée de t1:");
let t3=t1.transpose();
t3.print();
console.log("Tensor t4: t1 x t2 ");
let t4=t1.matMul(t2);
t4.print();
t1.dispose();t2.dispose();t3.dispose();t4.dispose();
t1
2 6 7
8 9 5
2.7 6
1 2
1 4
t2
X
Tensor t1 [2x3]:
[ [2, 6, 7],
[8, 9, 5] ]
Tensor t2 [3x2]:
[[2, 6, 7],
[8, 9, 5]]
Tensor t3 transposée de t1:
[[2, 8],
[6, 9],
[7, 5]]
Tensor t4: t1 x t2
[[18.3999996, 52],
[35.5999985, 86]]

Libérer les Tensors :
tensor.dispose(); ou bien tf.tidy(()=>{});
tf.tidy(()=>{
let t1=tf.tensor([2,6,7,8,9,5],[2,3]);
t1.print();
let t2=tf.tensor([2.7,6,1,2,1,4],[3,2]);
t1.print();
console.log("Tensor t3 transposée de t1:");
let t3=t1.transpose();
t3.print();
console.log("Tensor t4: t1 x t2 ");
let t4=t1.matMul(t2);
t4.print();
});
t1
2 6 7
8 9 5
2.7 6
1 2
1 4
t2
X
Tensor t1 [2x3]:
[ [2, 6, 7],
[8, 9, 5] ]
Tensor t2 [3x2]:
[[2, 6, 7],
[8, 9, 5]]
Tensor t3 transposée de t1:
[[2, 8],
[6, 9],
[7, 5]]
Tensor t4: t1 x t2
[[18.3999996, 52],
[35.5999985, 86]]

TensorFlow.JS : Layers API
Layers API est la couche de haut niveau du Framework TensorFlow.JS
Cette couche s’appuie sur la couche de bas niveau qui est Core API
Cette API définit toutes les opérations nécessaire pour machines Learning:
• Créer des modèles de réseaux neurones
• Configurer les modèles
• Entrainer les modèles
• Tester les modèles
• Effectuer les prédictions
• Etc…

1. Création d’un Modèle
const model=tf.sequential();
model.add(tf.layers.dense( {
units:5,
activation:'sigmoid',
inputShape:[2]
}));
model.add(tf.layers.dense({
units:1,
activation:'sigmoid'
}));
let learningRare=0.1;
model.compile({
optimizer:tf.train.sgd(learningRare),
loss:tf.losses.meanSquaredError
});
const xs=tf.tensor2d([ [0,0], [0.5,0.5], [1,1] ]);
const ys=tf.tensor1d([ 1, 0.5, 0]);
const numberOfEpochs=1000;
model.fit(xs,ys,{
epochs:numberOfEpochs,
callbacks:{onEpochEnd:logProgress }
}).then(modelTrained);
function logProgress(epoch,resp){
console.log(epoch+"=>"+resp.loss);
}
function modelTrained(){
console.log("Model trained");
let data=[0.5,0.5] ;
const input=tf.tensor2d([data],[1,2]);
let predicted=model.predict(input);
let output=predicted.dataSync()[0];
console.log("x1="+data[0]+",x2="+data[1]+", output="+output);
}
2. Entrainement du modèle
3. Prédiction
Layers API

4. Enregistrement du modèle
function onSaveModel(){
model.save('localstorage://my-model-1’) .then(
(result)=>{
console.log("model saved :"+result);
});
}
function onloadModel(){
tf.loadModel('localstorage://my-model-1’)
.then(m=>{
model=m;
let config={
optimizer:tf.train.sgd(learningRate),
loss:'meanSquaredError'
}
model.compile(config);
});
}
5. Chargement du mdoèle
TensorFlow.JS : Layers API

async createCNNModel(){
// Create the model
let cnnModel=tf.sequential();
// Add the First Convolution Layer
cnnModel.add(tf.layers.conv2d({
inputShape: [28, 28, 1],
kernelSize: 5,
filters: 8,
strides: 1,
activation: 'relu',
}));
Pour Deep Learning avec CNN
EMNIST Data Set : images de taille 28 x 28 pixels 1 bit

//Adding The Second Layer : MaxPooling Layer
cnnModel.add(tf.layers.maxPooling2d({
poolSize: [2, 2],
strides: [2, 2]
}));
// Adding Another Convolutional Layer
cnnModel.add(tf.layers.conv2d({
kernelSize: 5,
filters: 16,
strides: 1,
activation: 'relu',
}));

//Adding Another MaxPooling Layer
cnnModel.add(tf.layers.maxPooling2d({
poolSize: [2, 2],
strides: [2, 2]
}));
// Adding A Flatten Layer
cnnModel.add(tf.layers.flatten());
// Adding A Dense Layer (Fully Connected Layer) For Performing The Final Classification
cnnModel.add(tf.layers.dense({
units: 10,
kernelInitializer: 'VarianceScaling',
activation: 'softmax'
}));

// Compiling The Model
cnnModel.compile({
optimizer: tf.train.sgd(0.15),
loss: 'categoricalCrossentropy'
});
// Train the model
let images=[[]]; let labels=[[]];
let xs=tf.tensor2d(images);
let ys=tf.tensor2d(labels)
await cnnModel.fit(xs, labels, {
batchSize: 60,
epochs: 1
});
// Prediction
let inputImage=[[]];
let outputLabel=cnnModel.predict(inputImage);
console.log(outputLabel);
}

Application
Application basée sur Angular et
TensorFlow.JS qui montre comment :
• Manipuler les Tensors
• Créer un exemple de modèle de
réseaux de neurones de type
Sequencial
• Paramétrer le modèle
• Entrainer le modèle avec un Data
set qui définit 4 classes d’individus
: Maigreur, Normal, Surpoids et
Obèse selon des données
d’entrées : Poids et taille de
l’individu.
• Tester le modèle
• Faire des prédictions
https://github.com/mohamedYoussfi/angular-tensorflowJS

Application
• Outils à installer :
• NodeJS (npm)
• Git
• Angular : > npm install –g @angular/cli
• Création d’un projet Angular :
• > ng new medico-ml-tfjs
• Démendances à installer :
• TensorFlow.JS :
• > npm install --save @tensorflow/tfjs
• Framework CSS Bootstrap :
• > npm install --save bootstrap@3
• Angular Progress Bar :
• > npm install --save angular-progress-bar

Application : dépendances et configuration
"dependencies": {
"@angular/animations": "~7.2.0",
"@angular/common": "~7.2.0",
"@angular/compiler": "~7.2.0",
"@angular/core": "~7.2.0",
"@angular/forms": "~7.2.0",
"@angular/platform-browser": "~7.2.0",
"@angular/platform-browser-dynamic": "~7.2.0",
"@angular/router": "~7.2.0",
"@tensorflow/tfjs": "^1.0.2",
"angular-progress-bar": "^1.0.9",
"bootstrap": "^3.4.1",
"core-js": "^2.5.4",
"rxjs": "~6.3.3",
"tslib": "^1.9.0",
"zone.js": "~0.8.26"
}
import { BrowserModule } from '@angular/platform-browser';
import { NgModule } from '@angular/core';
import { AppRoutingModule } from './app-routing.module';
import { AppComponent } from './app.component';
import {FormsModule} from '@angular/forms';
import {ProgressBarModule} from 'angular-progress-bar';
@NgModule({
declarations: [
AppComponent
],
imports: [
BrowserModule,
AppRoutingModule, FormsModule, ProgressBarModule
],
providers: [],
bootstrap: [AppComponent]
})
export class AppModule { }
package.json app.module.ts
"styles": [ "src/styles.css", "node_modules/bootstrap/dist/css/bootstrap.min.css" ]
angular.json

app.component.ts : Déclaration des attributs du composant web
import {Component, OnInit} from '@angular/core';
import * as tf from '@tensorflow/tfjs';
@Component({
selector: 'app-root',
templateUrl: './app.component.html',
styleUrls: ['./app.component.css']
})
export class AppComponent implements OnInit{
public x:tf.Tensor; public y:tf.Tensor; public z:tf.Tensor;
public model:tf.Sequential;
public taille:number=170; public poids:number=64;
public output; modelCreated: boolean=false;
modelTrained: boolean=false;
public learningRate=0.001; public trainProgress: number=0;
public classes = ['Maigreur', 'Normal', 'Surpoids', 'Obèse’];
private currentLoss: number;

app.component.ts : les opérations sur les tensors
constructor(){ }
ngOnInit(): void {
this.x=tf.tensor([6,-8,9,4,8,-3,6,-3],[2,4]);
this.y=tf.tensor2d([[6,-3,8],[4,3.3,1],[-6,3,-3],[5,7,-3]]);
}
onMultiplication() { this.z=this.x.matMul(this.y); }
onTransposeX() { this.z=this.x.transpose(); }
onTransposeY() { this.z=this.y.transpose(); }
reluX() { this.z= this.x.relu() }
sigmoid() { this.z=tf.sigmoid(this.y); }
argMaxX() { let argMax=this.x.argMax(0).arraySync(); this.z=tf.tensor2d([argMax]); }
argMaxY() { let argMax=this.y.argMax(1).arraySync(); this.z=tf.tensor2d([argMax]); }

app.component.ts : Création du modèle de réseaux de neurones
createModel(){
this.model=tf.sequential();
this.model.add(tf.layers.dense({
units:8, inputShape:2, activation:'sigmoid'
}));
this.model.add(tf.layers.dense({
units:4, activation:'softmax'
}))
this.model.compile({
optimizer:tf.train.adam(this.learningRate),
loss:tf.losses.meanSquaredError
});
this.modelCreated=true;
}

app.component.ts : Préparation du Data Set
getDataSet(){
let input=[]; let output=[];
for (let p = 30; p <120 ; p+=10) {
for (let t = 100; t <200 ; t+=10) {
input.push([p,t]);output.push(this.getIMCClass(p,t));
} }
return {input:input,output:output};
}
getIMCClass(poids, taille){
let imc=poids/((taille/100)*(taille/100));
if(imc<18.5) return [1,0,0,0];
else if(imc>=18.5 && imc<25) return [0,1,0,0];
else if(imc>=25 && imc<30) return [0,0,1,0];
else if(imc>=30) return [0,0,0,1];
}
Input Tensor
[[30 , 100],
[30 , 110],
[30 , 120],
...,
[110, 170],
[110, 180],
[110, 190]]
Output Tensor
[[0, 0, 0, 1],
[0, 1, 0, 0],
[0, 1, 0, 0],
...,
[0, 0, 0, 1],
[0, 0, 0, 1],
[0, 0, 0, 1]]

app.component.ts : Entrainer le modèle
async trainModel(){
let data=this.getDataSet();
let xs=tf.tensor2d(data.input); let ys=tf.tensor2d(data.output);
xs.print(); ys.print(); let epochs=500; let epochIteration=0;
let result=await this.model.fit(xs,ys,{
epochs:epochs, batchSize:30,
callbacks: {
onEpochEnd : (epoch, logs)=>{
++epochIteration; this.trainProgress=epochIteration*100/epochs;
this.currentLoss=logs.loss;
},
onBatchEnd:(batch,logs)=>{ //console.log(batch+"=>"+logs.loss); }
}
});
this.modelTrained=true;
}

app.component.ts : Prédiction par le modèle
predict() {
console.log(this.taille);
console.log(this.poids);
let xs=tf.tensor2d([[parseFloat(this.poids),parseFloat(this.taille)]]);
let predicted:tf.Tensor=this.model.predict(xs);
let index=predicted.argMax(-1).arraySync()[0];
this.output=this.classes[index];
}

app.component.ts : Enregistrement du modèle en local storage
saveModel() {
this.model.save('localstorage://ImcModel')
.then(result=>{
alert("Success Model Saved");
}, err=>{
alert('Error saving model');
});
}

app.component.ts : Chargement du modèle à partir du local storage
loadModel() {
tf.loadLayersModel('localstorage://ImcModel')
.then((m)=>{
this.model=m;
this.model.compile({
loss:tf.losses.meanSquaredError,
optimizer:tf.train.adam(this.learningRate)
})
alert("Success loading Model");
this.modelCreated=true; this.modelTrained=true;
},err=>{ alert('Error loading model'); });
}

app.component.ts : Calculer la sortie attendue pour tester le modèle
getCorrectOutput(){
let c=this.getIMCClass(this.poids,this.taille);
console.log(c);
const t:tf.Tensor1D=tf.tensor1d(c);
let maxIndex=t.argMax(-1).dataSync()[0];
console.log(maxIndex);
return this.classes[maxIndex];
}
}

app.component.html : Boutons des opérations sur le tensors
<p></p>
<div class="container">
<ul class="nav nav-pills">
<li><button (click)="onMultiplication()" class="btn btn-primary">X.matMul(Y)</button> </li>
<li><button (click)="onTransposeX()" class="btn btn-primary">X.transpose()</button></li>
<li><button (click)="onTransposeY()" class="btn btn-primary">tf.transpose(Y)</button></li>
<li><button (click)="reluX()" class="btn btn-primary">X.relu()</button></li>
<li><button (click)="sigmoid()" class="btn btn-primary">tf.sigmoid(y)</button></li>
<li><button (click)="argMaxX()" class="btn btn-primary">X.argMax(0)</button></li>
<li><button (click)="argMaxY()" class="btn btn-primary">Y.argMax(1)</button></li>
</ul>
</div>
<p></p>

app.component.html : Affichage des données du tensor X
<div class="col-md-3">
<div class="panel panel-default">
<div class="panel-heading">Tensor X</div>
<div class="panel-body">
<table *ngIf="x" class=" table table-bordered">
<tr *ngFor="let line of x.arraySync()">
<td *ngFor="let val of line">{{val|number:'0.2'}}</td>
</tr>
</table>
</div>
</div>
</div>

app.component.html : : Affichage des données du tensor Y
<div class="panel-heading">Tensor Y</div>
<table *ngIf="y" class=" table table-bordered">
<tr *ngFor="let line of y.arraySync()">
</tr>
</table>
</div>
</div>
</div>

app.component.html : Affichage des données du tensor Z
<div class="panel-heading">Tensor Z</div>
<table *ngIf="z" class=" table table-bordered">
<tr *ngFor="let line of z.arraySync()">
</tr>
</table>
</div>
</div>
</div>
</div>
<p></p>

app.component.html : Boutons pour le modèle d’apprentissage
<div class="panel-heading">Neural Network Model</div>
<li> <button class="btn btn-success" (click)="createModel()">Create Model</button> </li>
<li> <button class="btn btn-success" (click)="trainModel()">Train Model</button> </li>
<li> <button class="btn btn-success" (click)="saveModel()">Save Model</button></li>
<li> <button class="btn btn-success" (click)="loadModel()">Load Model</button></li>
</ul>

app.component.html : Barre de progression de l’entrainement et affichage de l’erreur
<div class="row">
<progress-bar [progress]="trainProgress" [color-degraded]="{'0': '#00cbcb', '15': '#f9c3d3',
'25': '#fd8c8e'}">
</progress-bar>
</div>
<div class="col-md-3 padding">
<label>Loss:</label>
<label>{{currentLoss}}</label>
</div>
</div>

app.component.html : Affichage d’une image représentant le modèle
<div class="col-md-4 padding" *ngIf="modelCreated">
<img src="assets/images/model.png" class="img-thumbnail">
</div>

app.component.html : Formulaire de de saisie des données pour la prédiction
<div class="col-md-4 padding" *ngIf="modelTrained">
<div class="form-group">
<label class="control-label">Poids (kg)</label>
<input type="text" [(ngModel)]="poids" class="form-control">
</div>
<label class="control-label">Taille (m)</label>
<input type="text" [(ngModel)]="taille" class="form-control">
<button class="btn btn-primary" (click)="predict()">Predict</button>
</div>

app.component.html : Affichage de la sortie prédite par le modèle et celle calculée
<label class="control-label">Predicted output : </label>
<label class="control-label text-danger"> {{output}}</label>
</div>
<label class="control-label">Correct output : </label>
<label class="control-label text-primary"> {{getCorrectOutput()}}</label>
</div>
</div>
</div>
</div>
</div>

Application 2 : Deep learning en utilisant ML5.JS et des modèles pré-entrainés
• Cette application montre comment créer d’extraction
des caractéristiques « FeatureExtractor » à partir à partir
des images capturée par une la caméra du PC.
• Cette application est basée sur TensorFlow.JS et ML5.JS.
• Elle charge un modèle pré-entrainé « MobileNet »
utilisant les techniques de deep learning avec
Convolution Neural Network (CNN)
• Une fois le modèle MobileNet chargé avec ML5.JS,
• On présente des objet à la caméra
• On on ajouter au modèle des images capturées de la
caméra en leurs associant un label.
• On lance l’entrainement du modèle.
• Une fois entrainé,
• On présente des objet à la caméra
• L’application détecte de quel objet s’ajit-il.
https://github.com/mohamedYoussfi/angular-ml5.js-mobilenet-feature-extractor

Application
• Outils à installer :
• NodeJS (npm)
• Git
• Angular : > npm install –g @angular/cli
• Création d’un projet Angular :
• > ng new medico-ml-tfjs
• Démendances à installer :
• TensorFlow.JS :
• > npm install --save @tensorflow/tfjs
• ML5.JS :
• > npm install --save ml5
• Framework CSS Bootstrap :
• > npm install --save bootstrap@3
• Angular Progress Bar :
• > npm install --save angular-progress-bar

Application : dépendances et configuration
"dependencies": {
"@angular/animations": "~7.2.0",
"@angular/common": "~7.2.0",
"@angular/compiler": "~7.2.0",
"@angular/core": "~7.2.0",
"@angular/forms": "~7.2.0",
"@angular/platform-browser": "~7.2.0",
"@angular/platform-browser-dynamic": "~7.2.0",
"@angular/router": "~7.2.0",
"angular-progress-bar": "^1.0.9",
"bootstrap": "^3.4.1",
"core-js": "^2.5.4",
"ml5": "^0.2.2",
"rxjs": "~6.3.3",
"tslib": "^1.9.0",
"zone.js": "~0.8.26"
}
import { BrowserModule } from '@angular/platform-browser';
import { NgModule } from '@angular/core';
import { AppRoutingModule } from './app-routing.module';
import { AppComponent } from './app.component';
import {FormsModule} from '@angular/forms';
import {ProgressBarModule} from 'angular-progress-bar';
@NgModule({
declarations: [
AppComponent
],
imports: [
BrowserModule,
AppRoutingModule, FormsModule, ProgressBarModule
],
providers: [],
bootstrap: [AppComponent]
})
export class AppModule { }
package.json app.module.ts
"styles": [ "src/styles.css", "node_modules/bootstrap/dist/css/bootstrap.min.css" ]
angular.json

app.component.ts : Déclaration des attributs du composant
import {AfterViewInit, Component, ElementRef, NgZone, OnInit, ViewChild} from '@angular/core';
declare let ml5: any;
@Component({
selector: 'app-root',
templateUrl: './app.component.html',
styleUrls: ['./app.component.css']
})
export class AppComponent implements OnInit, AfterViewInit {
public mobileNetFeatureExtractor; public featureClassifier;
public label; public confidence;
public newLabel; public currentProgress = 0;
public loss: number; public iteration: number;
@ViewChild('video') public video: ElementRef;
@ViewChild('canvas') public canvas: ElementRef;
public captures: Array<any>;
constructor(private zone: NgZone) {
this.captures = [];
}

app.component.ts : Charger le modèle MobileNet en utilisant featureExtractor de ML5
ngOnInit(): void {
this.mobileNetFeatureExtractor = ml5.featureExtractor('MobileNet', () => {
this.featureClassifier = this.mobileNetFeatureExtractor.classification(this.video.nativeElement, () => {
console.log('Vidéo ready');
});
});
}

app.component.ts : Ajouter une image au modèle capturée par la caméra
addImage() {
this.featureClassifier.addImage(this.newLabel);
this.capture();
}

app.component.ts : Entrainer le modèle
train() {
this.iteration = 0; this.loss = 0; this.currentProgress = 0;
this.featureClassifier.train((loss) => {
if (loss == null) {
this.iteration = 100;
this.mobileNetFeatureExtractor.classify((e, r) => {
this.gotResults(e, r);
});
} else {
this.zone.run(() => {
++this.currentProgress; ++this.iteration; this.loss = loss;
});
}
});
}

app.component.ts : Afficher la capture de la améra
public ngAfterViewInit() {
if ( navigator.mediaDevices && navigator.mediaDevices.getUserMedia) {
navigator.mediaDevices.getUserMedia({ video: true })
.then(stream => {
this.video.nativeElement.srcObject = stream;
this.video.nativeElement.play();
});
}
}

app.component.ts : Faire une capture d’une image avec la UserCam
public capture() {
const context = this.canvas.nativeElement.getContext('2d’)
.drawImage(this.video.nativeElement, 0, 0, 320, 240);
this.captures.push(this.canvas.nativeElement.toDataURL('image/png'));
}

app.component.ts : Prédiction de l’objet présenté à la caméra
gotResults(err, results) {
if (err) { console.log(err); } else {
this.zone.run(() => {
this.label = results[0].label;
this.confidence = results[0].confidence;
});
this.mobileNetFeatureExtractor.classify((e, r) => {
this.gotResults(e, r);
});
}
}
}

app.component.html:
<p></p>
<label class="control-label">Label:</label>
<input type="text" [(ngModel)]="newLabel">
<button (click)="addImage()" class="btn btn-primary">Add Image</button>
<button (click)="train()" class="btn btn-danger">Train</button>
</div>

app.component.html: Progress Bar et affichage de itération et loss
<div class="row">
<progress-bar [progress]="currentProgress" [color-degraded]="{'0': '#00cbcb', '15':
'#f9c3d3', '25': '#fd8c8e'}"></progress-bar>
</div>
<p>Itération :{{iteration}}</p>
<p>Loss:{{loss}}</p>
</div>
</div>

app.component.html: Affichage de la WebCam et des prédictions label et confidence
<div>
<div class="panel-heading">
<h3>{{label}} | {{confidence*100 | number : '0.1'}} %</h3>
</div>
<video #video id="video" width="320" height="240" autoplay class="img-thumbnail"></video>
<canvas #canvas id="canvas" width="320" height="240" class="img-thumbnail"></canvas>
</div>

app.component.html: Affichage de la liste des images capturées
<li *ngFor="let c of captures" class="list-group-item">
<img src="{{ c }}" height="50" />
</li>
</ul>
</div>
</div>
</div>
<div>
</div>
</div>

Deeplearning4J : Machines et Deep Learning four les applications Java
• Deep Learning 4j est une Framework open source (licence Apache) qui permet de construire,
entraîner et tester une grande diversité d’algorithmes de Deep Learning (depuis les réseaux
standard, jusqu’aux réseaux convolutionels, en passant par des architectures plus complexes).
• Il se base sur sa structure de données (Nd4j) permettant d’effectuer les opérations de l’algèbre
linéaires sur les architectures massivement parallèles GPU et les archititectures distribuées
• Nd4j utilise du code natif ( Cuda oblige), et alloue de l’espace or du tas Java. Ceci est
impérativement à prendre en compte lorsque la volumétrie des données est importante.
• DL4J utilise DataVec pour la vectorisation et la transformation des données.

Nd4J
• ND4J est une bibliothèque de calcul scientifique et d'algèbre linéaire, écrite en
langage de programmation Java et compatible avec d'autres langages tels que Scala
et Clojure. Le ND4J a été versé à la fondation Eclipse en octobre 2017.
• ND4J permet de réaliser des manipulations des calculs linéaires et matriciel dans un
environnement de production.
• Elle s'intègre à Apache Hadoop et Spark pour fonctionner avec des unités centrales
de traitement (UC) ou des unités de traitement graphiques (GPU). Il prend en charge
les tableaux n-dimensionnels pour les langages basés sur JVM.
• ND4J est un logiciel gratuit et à code source ouvert, publié sous Apache License 2.0,
et développé principalement par le groupe basé à San Francisco qui a créé
Deeplearning4j, sous une licence Apache.

Dépendances Maven
<!– Cœur de DL4J -->
<dependency>
<groupId>org.deeplearning4j</groupId>
<artifactId>deeplearning4j-core</artifactId>
<version1.0.0-beta3</version>
</dependency>
<!– ND4J Pour basée sur CUDA pour les GPUs-->
<dependency>
<groupId>org.nd4j</groupId>
<artifactId>nd4j-cuda-8.0-
platform</artifactId>
<version1.0.0-beta3</version>
</dependency>
<!– ND4J Natif pour CPU -->
<dependency>
<groupId>org.nd4j</groupId>
<artifactId>nd4j-native-platform</artifactId>
<version>1.0.0-beta3</version>
</dependency>
<!– User Interface de DL4J -->
<dependency>
<groupId>org.deeplearning4j</groupId>
<artifactId>deeplearning4j-ui_2.11</artifactId>
<version>1.0.0-beta3</version>
</dependency>
<dependency>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-simple</artifactId>
<version>1.6.1</version>
</dependency>

Dépendances Maven
• Selon la documentation de DL4J, ce POM configure la librairie pour utiliser les
deux « backends » (CPU & GPU) disponibles.
• Ainsi, dès que le premier est utilisé à 100 %, alors le second backend est utilisé.
• Si on souhaite prioriser un des deux backends alors on peut fixer les deux variables
d’environnement suivantes :
• BACKEND_PRIORITY_CPU
• BACKEND_PRIORITY_GPU.
• Il est cependant bien plus pratique de simplement retirer du POM le backend que
l’on ne souhaite pas utiliser.

Application : Classifieur linéaire :
0,0.147562141324833,0.243518270820358
0,0.179868989766322,0.0922537025547999
1,0.754244045840797,0.52387485552728
0,0.248663780798734,0.175587276306351
0,0.397217489998824,0.0342134948381493
0,0.45098160780959,0.0328858982745571
0,0.335532917252522,0.16654442982869
0,0.371372049777255,0.167201755443297
...
...
1,0.638465839375771,0.59044662666132
0,0.431591142988843,0.0470830726734468
0,0.207774186228136,0.0819718701225306
1,0.74160948940248,0.48471276227826
1,0.953514363329195,0.639625829881579
1,0.642944532413742,0.561453314573865
0,0.272702493273322,0.0201936700818061
1,0.867855051798607,0.597829895646543
1,0.686252591276707,0.425683114984294
0,0.186145515985916,0.0412716941344573
1,0.645338925515076,0.580301641707133
1,0.674375674955563,0.427871763030954
1,0.699879937946578,0.404807703421517
...
...
0,0.159362690865938,0.0438791845717219
1,0.819060934526088,0.537459473474092
1,0.87894034372429,0.498259089084295
1,0.717795050577066,0.4744618920087
1,0.566033677291232,0.387396342863612
linear_data_trainl.csv linear_data_eval.csv

int seed=123; double learningRate=0.01;
int batchSize=50; int nEpochs=100;
int numIn=2;int numOut=1; int nHidden=20;
String filePathTrain=new ClassPathResource("linear_data_train.csv").getFile().getPath();
String filePathTest=new ClassPathResource("linear_data_eval.csv").getFile().getPath();
RecordReader rr=new CSVRecordReader();
rr.initialize(new FileSplit(new File(filePathTrain)));
DataSetIterator dataSetTrain=new RecordReaderDataSetIterator(rr,batchSize,0,1);
RecordReader rrTest=new CSVRecordReader();
rrTest.initialize(new FileSplit(new File(filePathTest)));
DataSetIterator dataSetTest=new RecordReaderDataSetIterator(rrTest,batchSize,0,1);
Préparation des Data set d’entrainement et d’évaluation :

MultiLayerConfiguration configuration=new NeuralNetConfiguration.Builder()
.seed(seed)
.weightInit(WeightInit.XAVIER)
.updater(new Sgd(learningRate))
.list()
.layer(0, new DenseLayer.Builder()
.nIn(numIn)
.nOut(nHidden)
.activation(Activation.RELU).build())
.layer(1,new OutputLayer.Builder(LossFunctions.LossFunction.XENT)
.nIn(nHidden)
.nOut(numOut)
.activation(Activation.SIGMOID).build())
.build();
Création du modèle

MultiLayerNetwork model=new MultiLayerNetwork(configuration);
model.init();
UIServer uiServer=UIServer.getInstance();
StatsStorage statsStorage=new InMemoryStatsStorage();
uiServer.attach(statsStorage);
model.setListeners(new StatsListener(statsStorage));
//model.setListeners(new ScoreIterationListener(10));
// Entrainer le modèle
for (int i = 0; i <nEpochs ; i++) {
model.fit(dataSetTrain);
}
Entrainement du modèle :
http://localhost:9000

System.out.println("Model Evaluation....");
Evaluation evaluation=new Evaluation(numOut);
while(dataSetTest.hasNext()){
DataSet dataSet=dataSetTest.next();
INDArray features=dataSet.getFeatures();
INDArray labels=dataSet.getLabels();
INDArray predicted=model.output(features,false);
evaluation.eval(labels,predicted);
}
System.out.println(evaluation.stats());
Evaluation du modèle :
Evaluation Metrics========================
# of classes: 2
Accuracy: 1,0000
Precision: 1,0000
Recall: 1,0000
F1 Score: 1,0000
Precision, recall & F1: macro-averaged (equally
weighted avg. of 2 classes)
=================Confusion Matrix=============
0 1
-------
100 0 | 0 = 0
0 100 | 1 = 1
Confusion matrix format: Actual (rowClass)
predicted as (columnClass) N times
================================

System.out.println("************************");
System.out.println("Prédiction :");
INDArray xs= Nd4j.create(new double[][]{
{0.766837548998774,0.486441995062381},
{0.332894760145352,-0.0112936854155695},
{0.377466773756814,0.155504538357614}
});
INDArray ys=model.output(xs);
System.out.println(ys);
Prédiction :
************************
Prédiction :
[0.9175,
0.0988,
0.2285]

Application 2 : Classification des images en utilisant CNN
• L’objectif de cette application étant de créer
un modèle de reconnaissance des formes en
utilisant Deep Learning avec les Réseaux de
neurones à convolution CNN.
• Pour l’entrainement du réseaux, nous
utilisons le data set Mninst. Dans cet exemple
on s’intéresse à reconnaitre les digits de 0 à 9
dessiné manuellement dans une image.
https://github.com/mohamedYoussfi/deeplearning4j-cnn-mnist-app

• L’objectif de cette application étant de créer
un modèle de reconnaissance des formes en
utilisant Deep Learning avec les Réseaux de
neurones à convolution CNN.
• Pour l’entrainement du réseaux, nous
utilisons le data set Mninst. Dans cet exemple
on s’intéresse à reconnaitre les digits de 0 à 9
dessiné manuellement dans une image.

import org.datavec.api.io.labels.ParentPathLabelGenerator; import org.datavec.api.split.FileSplit;
import org.datavec.image.loader.NativeImageLoader; import org.datavec.image.recordreader.ImageRecordReader;
import org.deeplearning4j.api.storage.StatsStorage; import org.deeplearning4j.datasets.datavec.RecordReaderDataSetIterator;
import org.deeplearning4j.nn.api.OptimizationAlgorithm;
import org.deeplearning4j.nn.conf.BackpropType; import org.deeplearning4j.nn.conf.MultiLayerConfiguration;
import org.deeplearning4j.nn.conf.NeuralNetConfiguration; import org.deeplearning4j.nn.conf.inputs.InputType;
import org.deeplearning4j.nn.conf.layers.ConvolutionLayer; import org.deeplearning4j.nn.conf.layers.DenseLayer;
import org.deeplearning4j.nn.conf.layers.OutputLayer; import org.deeplearning4j.nn.conf.layers.SubsamplingLayer;
import org.deeplearning4j.nn.multilayer.MultiLayerNetwork; import org.deeplearning4j.nn.weights.WeightInit;
import org.deeplearning4j.ui.api.UIServer; import org.deeplearning4j.ui.stats.StatsListener;
import org.deeplearning4j.ui.storage.InMemoryStatsStorage; import org.deeplearning4j.util.ModelSerializer;
import org.nd4j.evaluation.classification.Evaluation; import org.nd4j.linalg.activations.Activation;
import org.nd4j.linalg.dataset.api.iterator.DataSetIterator; import org.nd4j.linalg.dataset.api.preprocessor.DataNormalization;
import org.nd4j.linalg.dataset.api.preprocessor.ImagePreProcessingScaler; import org.nd4j.linalg.learning.config.Nesterovs;
import org.nd4j.linalg.lossfunctions.LossFunctions; import org.nd4j.linalg.schedule.MapSchedule;
import org.nd4j.linalg.schedule.ScheduleType; import org.slf4j.Logger; import org.slf4j.LoggerFactory; import java.io.File;
import java.io.IOException; import java.util.HashMap; import java.util.Map; import java.util.Random;
Packages

public class ConvNeuralNatMnist {
private static Logger logger= LoggerFactory.getLogger(ConvNeuralNatMnist.class);
public static void main(String[] args) throws IOException {
String basePath=System.getProperty("java.io.tmpdir")+"/mnist/mnist_png";
int height=28;int width=28; int channels=1;// signe channel for graysacle image
int outputNum=10; int batchSize=54; int epochCount=1;
int seed =1234; Random randomGenNum=new Random(seed);
Map<Integer,Double> learningRateByIterations=new HashMap<>();
learningRateByIterations.put(0,0.06); learningRateByIterations.put(200,0.05);
learningRateByIterations.put(600,0.028); learningRateByIterations.put(800,0.006);
learningRateByIterations.put(1000,0.001); double quadraticError=0.0005;
double momentum=0.9;
Paramètres du modèle

logger.info("Data Load and vectorisation");
File trainDataFile=new File(basePath+"/training");
FileSplit trainFileSplit=new FileSplit(trainDataFile,NativeImageLoader.ALLOWED_FORMATS,randomGenNum);
ParentPathLabelGenerator labelMarker=new ParentPathLabelGenerator();
ImageRecordReader trainImageRecordReader= new ImageRecordReader(height,width,channels,labelMarker);
trainImageRecordReader.initialize(trainFileSplit);
Chargement et Vectorisation des données

int labelIndex=1;
DataSetIterator trainDataSetIterator=new
RecordReaderDataSetIterator(trainImageRecordReader,batchSize,labelIndex,outputNum);
DataNormalization scaler=new ImagePreProcessingScaler(0,1);
scaler.fit(trainDataSetIterator);
trainDataSetIterator.setPreProcessor(scaler);

File testDataFile=new File(basePath+"/testing");
FileSplit testFileSplit=new FileSplit(testDataFile, NativeImageLoader.ALLOWED_FORMATS,randomGenNum);
ImageRecordReader testImageRecordReader=new ImageRecordReader(height,width,channels,labelMarker);
testImageRecordReader.initialize(testFileSplit);
DataSetIterator testDataSetIterator=new
RecordReaderDataSetIterator(testImageRecordReader,batchSize,labelIndex,outputNum);
trainDataSetIterator.setPreProcessor(scaler);

logger.info("Neural Network Model Configuation");
MultiLayerConfiguration configuration=new NeuralNetConfiguration.Builder()
.seed(seed)
.l2(quadraticError)
.optimizationAlgo(OptimizationAlgorithm.STOCHASTIC_GRADIENT_DESCENT)
.updater(new Nesterovs(new MapSchedule(ScheduleType.ITERATION,learningRateByIterations),momentum))
.weightInit(WeightInit.XAVIER)
Configuration du modèle

.list()
.layer(0,new ConvolutionLayer.Builder()
.kernelSize(5,5)
.nIn(channels)
.stride(1,1)
.nOut(20)
.activation(Activation.RELU).build())

.layer(1, new SubsamplingLayer.Builder()
.poolingType(SubsamplingLayer.PoolingType.MAX)
.kernelSize(2,2)
.stride(2,2)
.build())

.layer(2, new ConvolutionLayer.Builder(5,5)
.stride(1,1)
.nOut(50)
.activation(Activation.RELU)
.build())

.layer(3, new SubsamplingLayer.Builder(SubsamplingLayer.PoolingType.MAX)
.kernelSize(2,2)
.stride(2,2)
.build())

.layer(4, new DenseLayer.Builder()
.activation(Activation.RELU)
.nOut(500)
.build())

.layer(5,new OutputLayer.Builder(LossFunctions.LossFunction.NEGATIVELOGLIKELIHOOD)
.activation(Activation.SOFTMAX)
.nOut(outputNum)
.build())

.setInputType(InputType.convolutionalFlat(height,width,channels))
.backpropType(BackpropType.Standard)
.build();

System.out.println(configuration.toJson());
MultiLayerNetwork model=new MultiLayerNetwork(configuration);
model.init();

UIServer uiServer=UIServer.getInstance();
StatsStorage statsStorage=new InMemoryStatsStorage();
uiServer.attach(statsStorage);
model.setListeners(new StatsListener(statsStorage));
Démarre un listener pour suivre l’évolution du processus d’apprentissage

logger.info("Total params:"+model.numParams());
for (int i = 0; i < epochCount; i++) {
model.fit(trainDataSetIterator);
logger.info("End of epoch "+i);
Evaluation evaluation=model.evaluate(testDataSetIterator);
logger.info(evaluation.stats());
trainDataSetIterator.reset();
testDataSetIterator.reset();
}
logger.info("Saving model ....");
ModelSerializer.writeModel(model,new File(basePath+"/model.zip"),true);
}
}
Entrainement et évaluation du modèle pour chaque époque

18665 [main] INFO ConvNeuralNatMnist - Total params:431080
124484 [main] INFO ConvNeuralNatMnist - End of epoch 0
128756 [main] INFO ConvNeuralNatMnist -
========================Evaluation Metrics========================
# of classes: 10
Accuracy: 0,9851
Precision: 0,9853
Recall: 0,9849
F1 Score: 0,9850
Precision, recall & F1: macro-averaged (equally weighted avg. of 10 classes)

=========================Confusion Matrix=========================
0 1 2 3 4 5 6 7 8 9
---------------------------------------------------
973 2 0 0 1 0 0 2 0 2 | 0 = 0
0 1131 0 1 0 0 2 0 1 0 | 1 = 1
3 2 1012 0 2 0 0 8 5 0 | 2 = 2
1 0 2 992 0 4 0 4 7 0 | 3 = 3
0 0 0 0 981 0 0 0 1 0 | 4 = 4
3 0 0 5 0 870 4 3 4 3 | 5 = 5
9 4 0 0 6 0 939 0 0 0 | 6 = 6
0 4 6 0 0 0 0 1016 1 1 | 7 = 7
6 1 1 0 2 0 0 2 961 1 | 8 = 8
3 4 0 1 14 2 0 6 3 976 | 9 = 9
Confusion matrix format: Actual (rowClass) predicted as (columnClass) N times
==================================================================

UI Application avec JavaFX
import javafx.application.Application; import javafx.embed.swing.SwingFXUtils;
import javafx.event.ActionEvent; import javafx.geometry.Insets; import javafx.geometry.Pos;
import javafx.scene.Scene; import javafx.scene.canvas.Canvas; import javafx.scene.canvas.GraphicsContext;
import javafx.scene.chart.BarChart; import javafx.scene.chart.CategoryAxis; import javafx.scene.chart.NumberAxis;
import javafx.scene.chart.XYChart; import javafx.scene.control.Alert; import javafx.scene.control.Button;
import javafx.scene.control.ButtonType; import javafx.scene.control.Label; import javafx.scene.image.ImageView;
import javafx.scene.image.WritableImage; import javafx.scene.input.KeyCode; import javafx.scene.input.MouseButton;
import javafx.scene.layout.GridPane; import javafx.scene.layout.HBox; import javafx.scene.layout.VBox;
import javafx.scene.paint.Color; import javafx.scene.shape.StrokeLineCap; import javafx.scene.text.Font;
import javafx.stage.Stage; import org.datavec.image.loader.NativeImageLoader;
import org.deeplearning4j.nn.multilayer.MultiLayerNetwork; import org.deeplearning4j.util.ModelSerializer;
import org.nd4j.linalg.api.ndarray.INDArray;
import org.nd4j.linalg.dataset.api.preprocessor.ImagePreProcessingScaler; import org.nd4j.linalg.factory.Nd4j;
import java.awt.*; import java.awt.image.BufferedImage; import java.io.File; import java.io.IOException;
import java.util.*;
Pacakges

UI Application avec JavaFX
public class MnistClassifierUI extends Application {
private static final String basePath = System.getProperty("java.io.tmpdir") + "/mnist/mnist_png";
private final int canvasWidth = 256; private final int canvasHeight = 256;
private MultiLayerNetwork net; private INDArray currentImage;
private Canvas canvas; private List<XYChart.Data> data;
private BarChart<String,Double> barChart;
public MnistClassifierUI() throws IOException {
File model = new File(basePath + "/model.zip");
if (!model.exists()) throw new IOException("Can't find the model");
net = ModelSerializer.restoreMultiLayerNetwork(model);
}
public static void main(String[] args) throws Exception {
launch();
}

UI Application avec JavaFX : BarChart
public void drawChart(){
CategoryAxis xAxis=new CategoryAxis(); NumberAxis yAxis=new NumberAxis(0,1,0.1);
barChart=new BarChart(xAxis,yAxis); barChart.setCategoryGap(10); barChart.setBarGap(10);
barChart.setTitle("Digits Predictions"); xAxis.setLabel("Digits"); yAxis.setLabel("Prediction");
XYChart.Series series1=new XYChart.Series(); series1.setName("Probability");
double[]values=new double[]{0.1,0.1,0.2,0.1,0.1,0.05,0.05,0.45,0.25,0.1} ;
final String[] categoriesNames = new String[] {"0", "1", "2","3", "4", "5","6", "7", "8","9"};
xAxis.getCategories().setAll(categoriesNames);
data=new ArrayList<>();
for(int i=0;i<categoriesNames.length;i++){
data.add(new XYChart.Data(categoriesNames[i],values[i]));
}
series1.getData().addAll(data);
barChart.getData().addAll(series1);
}

UI Application avec JavaFX : Construire l’interface
@Override
public void start(Stage stage) throws Exception {
canvas = new Canvas(canvasWidth, canvasHeight);
GraphicsContext ctx = canvas.getGraphicsContext2D();
ImageView imgView = new ImageView(); imgView.setFitHeight(28);
imgView.setFitWidth(28);
ctx.setLineWidth(10); ctx.setLineCap(StrokeLineCap.SQUARE);
Label labelMessage=new Label("Draw a digit and Tape Enter de predict"+System.lineSeparator()+" Right Mouse
click to clear");
Label lblResult = new Label(); lblResult.setFont(new Font(30));
Button buttonLearn=new Button("Learn This Gigit to the Model");
Button buttonSaveModel=new Button("Save the Current Model");

GridPane gridPane=new GridPane();int index=-1;
gridPane.setDisable(true);
for(int i=0;i<2;i++)
for(int j=0;j<5;j++){
Button button=new Button(String.valueOf(++index));
gridPane.add(button,i,j);
button.setOnAction((evt)->{
learnThisDigitToModel(evt);
});
}

VBox vbBottom = new VBox(10, imgView, lblResult,buttonLearn,gridPane);
vbBottom.setAlignment(Pos.TOP_LEFT);
VBox vBoxCanvas=new VBox(10,labelMessage,canvas,buttonSaveModel);
HBox hBox2=new HBox(5, vBoxCanvas, vbBottom);
VBox root = new VBox(10,hBox2);
root.setAlignment(Pos.CENTER);
root.setPadding(new Insets(10));
drawChart();
root.getChildren().add(barChart);
Scene scene = new Scene(root, 800, 600);
stage.setScene(scene);
stage.setTitle("Deep Learning Example with DL4J");
stage.setResizable(false);
stage.show();

UI Application avec JavaFX : Commencer le dessin
canvas.setOnMousePressed(e -> {
ctx.setStroke(Color.WHITE); ctx.beginPath();
ctx.moveTo(e.getX(), e.getY());
ctx.stroke();
canvas.requestFocus();
});

UI Application avec JavaFX : Dessiner
canvas.setOnMouseDragged(e -> {
ctx.setStroke(Color.WHITE);
ctx.lineTo(e.getX(), e.getY());
ctx.stroke();
});

UI Application avec JavaFX : Effacer le canvas
canvas.setOnMouseClicked(e -> {
if (e.getButton() == MouseButton.SECONDARY) {
clear(ctx);
}
});
private void clear(GraphicsContext ctx) {
ctx.setFill(Color.BLACK);
ctx.fillRect(0, 0, 300, 300);
}

UI Application avec JavaFX : Prédiction de l’image
canvas.setOnKeyReleased(e -> {
if (e.getCode() == KeyCode.ENTER) {
BufferedImage scaledImg = getScaledImage(canvas);
imgView.setImage(SwingFXUtils.toFXImage(scaledImg, null));
try {
predictImage(scaledImg, lblResult);
} catch (Exception e1) {
e1.printStackTrace();
}
}
});
clear(ctx);

UI Application avec JavaFX : Prédiction de l’image dessinée
private void predictImage(BufferedImage img, Label lbl) throws IOException {
NativeImageLoader loader = new NativeImageLoader(28, 28, 1, true);
currentImage = loader.asRowVector(img);
ImagePreProcessingScaler scaler = new ImagePreProcessingScaler(0, 1);
scaler.transform(currentImage);
INDArray output = net.output(currentImage);
//lbl.setText("Prediction: " + net.predict(image)[0] + "n " + output);
lbl.setText("Prediction: " + net.predict(currentImage)[0]);
double[] d=output.toDoubleVector();
for(int i=0;i<data.size();i++){
data.get(i).setYValue(d[i]);
}
}
}

UI Application avec JavaFX : Activer les boutons pour corriger la pérdiction
buttonLearn.setOnAction(evt->{
if(currentImage!=null) gridPane.setDisable(false);
});

UI Application avec JavaFX : Enregistrer le modèle
buttonSaveModel.setOnAction(evt->{
try {
ModelSerializer.writeModel(net,new File(basePath+"/model.zip"),true);
} catch (IOException e) {
e.printStackTrace();
}
});
}

UI Application avec JavaFX : Apprendre une nouvelle forme
private void learnThisDigitToModel(ActionEvent evt) {
Button b=(Button) evt.getSource();
int digit=Integer.parseInt(b.getText());
Alert alert = new Alert(Alert.AlertType.CONFIRMATION);
alert.setTitle("Learn This Digit : "+digit);
alert.setHeaderText("Learn This Digit : "+b.getText());
alert.setContentText("Learn This Digit : "+b.getText());
Optional<ButtonType> result = alert.showAndWait();
double[] digits=new double[10];
digits[digit]=1;
if (result.get() == ButtonType.OK){
INDArray ys= Nd4j.create(digits);
net.fit(currentImage,ys);
} else { }
}

UI Application avec JavaFX : Création de l’imge à partir du canvas
private BufferedImage getScaledImage(Canvas canvas) {
WritableImage writableImage = new WritableImage(canvasWidth, canvasHeight);
canvas.snapshot(null, writableImage);
Image tmp = SwingFXUtils.fromFXImage(writableImage, null).getScaledInstance(28, 28, Image.SCALE_SMOOTH);
BufferedImage scaledImg = new BufferedImage(28, 28, BufferedImage.TYPE_BYTE_GRAY);
Graphics graphics = scaledImg.getGraphics();
graphics.drawImage(tmp, 0, 0, null);
graphics.dispose();
return scaledImg;
}

Application TensorFlow.JS :
https://github.com/mohamedYoussfi/machines-learning-tensorflow-js
med@youssfi.net | ENSET Université
Hassan II

Exemple de classification : DataSet IRIS
Iris Plants Database
• Attribute Information:
• 1. sepal length in cm
• 2. sepal width in cm
• 3. petal length in cm
• 4. petal width in cm
• 5. class:
• -- Iris Setosa
• -- Iris Versicolour
• -- Iris Virginica
5.1,3.5,1.4,0.2,Iris-setosa
4.9,3.0,1.4,0.2,Iris-setosa
4.7,3.2,1.3,0.2,Iris-setosa
4.6,3.1,1.5,0.2,Iris-setosa
....
7.0,3.2,4.7,1.4,Iris-versicolor
…
6.3,3.3,6.0,2.5,Iris-virginica
…….
https://github.com/mohamedYoussfi/machines_learning_TFJS_IRIS

ML5.JS
• ml5.js est une librairie de
haut niveau qui s’appuie sur
TensorFlow.js
• Elle permet de faciliter la
création des application de
Machines et Deep Learning

Exemple d’application avec ML5.JS : Réutilisation de modèles pré-entrainés
Classifieur d’images : MobileNet • MobileNets, Présente des modèles de réseaux de
neurones convolutionnels (CNN) pré-entrainés basés sur
TensorFlow :
• Détection d’objet (personne, bus, avion, voiture, chien,
chat, écran TV, etc…)
• Visages (attributs d’un visage notamment)
• Classification « fine-grained » , c’est-à-dire entre des
espèces d’une même race (chien, chat, rouge-gorge, …)
• Reconnaissance de lieux et de paysages
• Caractéristiques :
• Extrêmement légers et petits (en termes de ligne de
code et de poids des modèles)
• Infiniment rapides
• Précision redoutable, surtout pour les ressources
consommées
• Facilement configurables pour améliorer la précision
de la détection
• Dédiés à l’embarqué et aux smartphones, pour
déporter les calculs comme on l’a vu avec l’avènement
d’AngularJS et du Front Office

Index.html
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>ML5</title>
<script src="https://cdnjs.cloudflare.com/ajax/libs/p5.js/0.7.3/p5.js"></script>
<script src="https://cdnjs.cloudflare.com/ajax/libs/p5.js/0.7.3/addons/p5.dom.min.js"></script>
<script src="app.js"></script>
<script src="https://unpkg.com/ml5@0.1.1/dist/ml5.min.js"></script>
</head>
<body>
</body>
</html>

app.js
let mobilenet
let image;
function setup(){
createCanvas(640,480);
image=createImg('images/cat3.jpg',function(){
image(image,10,10);
}); image.hide(); background(0);
mobilenet=ml5.imageClassifier('MobileNet', function(){
mobilenet.predict(image,function(err,result){
if(err) console.log(err);
else{
console.log(result); let label=result[0].className;
let p=result[0].probability*100; fill(255);
textSize(20); text(label+" ( "+p.toFixed(2)+"% )",10,height-60);
createP(label); createP(p);
}})})
}

Version avec Vidéo
let mobilenet; let video; let label="";
function setup(){
createCanvas(640,480);
video=createCapture(VIDEO); video.hide();
background(0);
mobilenet=ml5.imageClassifier('MobileNet',video,ready);
}
function ready(){ mobilenet.predict(gotResults); }
function gotResults(err,results){
if(err) console.log(err);
else{
label=results[0].className;
let p=results[0].probability*100;
mobilenet.predict(gotResults);
}
}
function draw(){
background(0); image(video,10,10,320,240);
fill(255); textSize(20);
text(label,10,height-60);
}

Extraction des caractéristiques avec MobileNet : Images Extraite d’une vidéo

Index.html
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>ML5</title>
<script
src="https://cdnjs.cloudflare.com/ajax/libs/p5.js/0.7.3/p5.js"></script>
<script
src="https://cdnjs.cloudflare.com/ajax/libs/p5.js/0.7.3/addons/p5.dom.min.js"></sc
ript>
<script src="sketch.js"></script>
<script src="https://unpkg.com/ml5@0.1.1/dist/ml5.min.js"></script>
</head>
<body>
</body>
</html>

Version avec Vidéo
let mobilenet; let video; let label="";
let classifier; let addImageButton; let textInputLabel;
let imagesCount=0; let trainButton;
function setup(){
createCanvas(640,480); video=createCapture(VIDEO);
video.hide(); background(0);
mobilenet=ml5.featureExtractor('MobileNet',modelReady);
textInputLabel=createInput("bouteille");
addImageButton=createButton("Add Image");
trainButton=createButton("Train The model");
addImageButton.mousePressed(function(){
let labelValue=textInputLabel.value();
classifier.addImage(labelValue); ++imagesCount;
console.log(imagesCount+" : "+labelValue);
});
trainButton.mousePressed(function(){
classifier.train(function(loss){
if(loss==null){
console.log("Model trained");
classifier.classify(gotResults());
}
else{ console.log(loss); }
})});
}
function draw(){
background(0);
image(video,10,10,320,240);
fill(255);
textSize(20);
text(label,10,height-60);
}
function modelReady(){
console.log("model ready");
classifier=mobilenet.classification(video,videoReady);
//mobilenet.predict(gotResults);
}
function videoReady(){
console.log("video ready");
}
function gotResults(err,results){
if(err)
console.log(err);
else{
label=results;
mobilenet.classify(gotResults);
}
}

Quelques Applications de Deep Learning
• Reconnaissance de formes
• Reconnaissance vocale
• Traduction vocale
• Modèles génératifs (Donner une série d’images à
un réseaux profond et le forcer à y voir autres
choses)
• Etc.
http://www.divertissonsnous.com/2017/11/24/un-systeme-de-
reconnaissance-des-formes-applique-a-times-square/
https://deepdreamgenerator.com/

Références :
• Yann LeCun : https://www.youtube.com/watch?v=2WiPx6thH2E
• https://deeplearning4j.org/
• https://js.tensorflow.org/
• Daniel Shiffman : https://www.youtube.com/watch?v=XJ7HLz9VYz0&list=PLRqwX-V7Uu6Y7MdSCaIfsxc561QI0U0Tb&index=1
• https://ml5js.org/
• https://keras.io/
• https://p5js.org/
• https://www.lafabriquedunet.fr/blog/definition-data-science/
• https://www.youtube.com/watch?v=oU7tSpvDOIs
• https://www.youtube.com/watch?v=trWrEWfhTVg

te
1
2
Maigreur (0,1)
Taille (cm)
Normale (0,1)
Surpoids (0,1)
Obèse (0,1)
Poids (Kg)
Learning Rate : 0.001 Optimiser : ADAM
Loss function : MearnSquaredError
SoftMax
Sigmoid

Data science
Automatisation et Généralisation de l’extraction des connaissance à partir des
données massives et complexes provenant des sources de données hétérogènes

Métier Data Scientiste
• Objectif du parcours Data Science :
• Générer, Explorer, Traiter les données
• Visualiser et analyser les données,
• Concevoir et analyser des modèles et des algorithmes de
• Traitements de données.
• Apprentissage automatique
• Prédictions
• Prérequis :
• Mathématiques appliquées (Probabilités, Optimisation, Algèbre
linéaire, Recherche opérationnelle)
• Statistique et optimisation statistique
• Informatique:
• Algorithmique et Programmation
• Bases de données et Big Data
• Technologie Web et Mobile
• IOT
• Traitement du signal et de l'image.
• Intelligence artificielle :
• Machine et Deep Learning,

Le métier de data Scientist est apparu pour trois
raisons principales :
• L'explosion de la quantité de données produites
et collectées (Big Data, IOT, Applications
Mobiles)
• L'amélioration et l'accessibilité plus grande des
algorithmes de machine Learning ( Frameworks
de Machines Learning)
• L'augmentation exponentielle des capacités de
calcul des ordinateurs
• Architectures massivement parallèles (GPUs)
• Middlewares pour les Systèmes Distribués

• Un Baromètre LinkedIn de Juillet 2017
indique que :
• Le métier de Data Scientist est l’un
des métiers les plus recherchés et les
plus rémunérés
• En terme de salaire, à la sortie de l’école
un data Scientiste peut toucher un salaire
mensuel autour de 4000 Euro (En Europe)
• Le nombre de lauréats dans cette
discipline est encore très faible
• Tous les secteurs sont concernés
(Médecine, Agriculture, Justice, Education,
Industrie , Finance, Politique, etc..)

Prérequis du Machines Learning
35%
25%
15%
15%
10%
Prérequis du Machines Learning
Algèbre linéaire
Probabilités et statistiques
Calculs de hautes
performances
Algorithmique et
complexité
Pré-traitement de données

Evénement important : Compétitions de reconnaissance des images :
Large Scale Visual Recognition Challenge
2010 :
• NEC : 28%
• XRCE : 34%
• ISIL : 45%
• UCI : 47%
• Hminmax : 54%
 2011 :
◦ XRCE : 26%
◦ UV A : 31%
◦ ISI : 36%
◦ NII : 50%
 2012 : (Algo de Deep Learning l’emporte)
◦ Super Vision : 16% (DL)
◦ ISI : 26%
◦ VGG : 27%
◦ XRCE : 27 %
◦ UV A : 30%
 2013 : (Algos de Deep Learning
écrase la compétition)
◦ Clarifi (DL) : 12%
◦ NUS (DL) : 13%
◦ Zeiler fergus (DL) : 13%
◦ A.HOWARD (DL) : 13%
◦ OverFeat (DL) : 14%

Exemple pour débuter: Implémentation java du perceptron
https://github.com/mohamedYoussfi/perceptron-java-fx

Mise en oeuvre des framework de machines et deep learning v1

Contenu connexe

Tendances (20)

Similaire à Mise en oeuvre des framework de machines et deep learning v1 (20)

Plus de ENSET, Université Hassan II Casablanca (13)

Dernier (15)

Mise en oeuvre des framework de machines et deep learning v1