MLA_Learn_Periodic_Functions/README.md

Projet de MLA

Participants

• Virgile Batto
• Émilien Marolleau
• Doriand Petit
• Émile Siboulet

Organisation des fichiers

.
├── biblio                         # Liste des pdf utilisé à la rédaction du rapport
├── code                           # Code demandé pour le projet
└── rapport                        # Dossier du rapport
 	 ├── images                    # Dossier des images du rapport
 	 ├── makefile                  # MakeFile pour générer le pdf
 	 ├── rapport.bib               # Bibliographie du rapport
 	 ├── rapport.pdf               # Rapport
 	 └── rapport.tex               # Fichier source du rapport

Emilien

Cette partie s’intéresse à l’efficacité de la fonction d’activation snake sur une tâche complexe de machine learning non-périodique. En effet pour que snake soit intéressant il faut qu’elle fasse aussi bien dans la plupart des tâches de ML comme la classification. C’est pourquoi conformément à l’article un réseau de CNN ResNet18 est appliqué sur la base de données ciphar-10.

Pour utiliser :

Aller dans code/resnet18/

---> le fichier ResNet18.py est le script POO implémentant le réseau, les classes crées sont :

 -- ResnetBlock une superclasse dont hérite la classe ResNet18, créant les resblock faisant apportant l'info résiduelle via la fonction call
 -- ResNet18 qui implémente la structure de couches de convolution, elle prend comme argument le nombre de classe possible. Soit 10 dans le cas de CIPHAR-10

Pour faire varier la fonction d’activation --> juste décommenter #tf.nn.relu(x) lignes 44, 54, 84 et commenter x + tf.sin(x)**2

--> le fichier resnet_snake.ipynb est le notebook main python a exectuer faisant l’appel de toutes les fonctions ainsi que de la classe Resnet18

Emile

Cette partie s’intéresse à la capacité des LSTM à trouver des résultats confirmant ou infimant les prédiction des réseaux avec des fonctions d’activation snake.

Pour utiliser le code aller and code et lancer le notepad_siboulet.ipynb qui lance succesivement tout les codes utilisé se trouvant dans code/RNN_predicition_meteo et code/RNN_wilshire_5000

Il est nécessaire d’avoir les bibliothèque tensorflow, optuna, numpy et matplotlib