VT2020-OpenAI Microscope-Fiche - Revision history

Elisa.Beaugrand: /* Sources */

2021-01-04T09:59:31Z

Sources

← Older revision		Revision as of 09:59, 4 January 2021
Line 115:		Line 115:
	= Sources =		= Sources =

			[https://openai.com/blog/microscope/ Blog d'OpenAI]

			[https://microscope.openai.com/models OpenAI Microscope]

			[https://microscope.openai.com/about Article OpenAI Microscope]

			[https://distill.pub/2017/feature-visualization/ Article de Google Brain, Feature Visualization]

			[https://www.kdnuggets.com/2020/04/openai-open-sources-microscope-lucid-library-neural-networks.html Article sur Microscope et Lucid library]

			[https://www.youtube.com/watch?v=1zvohULpe_0 Video how neural network see the world?]

			[https://www.youtube.com/watch?v=Ok44otx90D4 Video sur Feature Visualization et OpenAI Microscope]

			[https://en.wikipedia.org/wiki/OpenAI#GPT-3 Page Wikipedia d'OpenAI]

	= Veille Technologique 2020 =		= Veille Technologique 2020 =

Elisa.Beaugrand: /* Utilité */

2021-01-04T09:51:26Z

Utilité

← Older revision		Revision as of 09:51, 4 January 2021
Line 103:		Line 103:
	= Utilité =		= Utilité =

			Nous allons maintenant voir en quoi Microscope est utile.

			1. Microscope permet au grand public de visualiser un réseau de neurones.

			2. Il est bien plus facile de se représenter le fonctionnement des neuronnes grâce à un résultat graphique. De même que cette technique permet d'éviter toute confusion sur le modèle ou le neurone qui est en train d'être discuté.

			3. Cet outil permet de comprendre comment apprend un réseau de neurones, et comment il fonctionne.

			4. On peut maintenant interpreter graphiquement les choix fait par une IA pour arriver à son but.

	= Sources =		= Sources =

Elisa.Beaugrand: /* Car Detector */

2021-01-04T09:41:32Z

Car Detector

← Older revision		Revision as of 09:41, 4 January 2021
Line 92:		Line 92:
	Par exemple ici, dans une classe du modèle inception v1, nous trouvons un neurone stimulé par une roue de voiture et un autre stimulé par des fenêtres de voiture:		Par exemple ici, dans une classe du modèle inception v1, nous trouvons un neurone stimulé par une roue de voiture et un autre stimulé par des fenêtres de voiture:

	[[File:roue.png~~\|200px~~]]		[[File:roue.png]]
	[[File:fenetre.png~~\|200px~~]]		[[File:fenetre.png]]

	Ensuite dans une couche supérieure, on trouve le neurone permettant la détection de voiture dans une image:		Ensuite dans une couche supérieure, on trouve le neurone permettant la détection de voiture dans une image:

	[[File:car.png~~\|200px~~]]		[[File:car.png]]

	On peut donc constater que le neurone de détection de voiture s'est formé grâce aux neurones de détéction de fenêtre et de roues.		On peut donc constater que le neurone de détection de voiture s'est formé grâce aux neurones de détéction de fenêtre et de roues.

Elisa.Beaugrand: /* Car Detector */

2021-01-04T09:41:09Z

Car Detector

← Older revision		Revision as of 09:41, 4 January 2021
Line 93:		Line 93:

	[[File:roue.png\|200px]]		[[File:roue.png\|200px]]
	[[File:fenetre\|200px]]		[[File:fenetre.png\|200px]]

	Ensuite dans une couche supérieure, on trouve le neurone permettant la détection de voiture dans une image:		Ensuite dans une couche supérieure, on trouve le neurone permettant la détection de voiture dans une image:

Elisa.Beaugrand: /* Architecture en couches */

2021-01-04T09:37:28Z

Architecture en couches

← Older revision		Revision as of 09:37, 4 January 2021
Line 70:		Line 70:
	Dans les couches les plus basses on observe des neurones s'interessant particulièrement aux contours:		Dans les couches les plus basses on observe des neurones s'interessant particulièrement aux contours:

	[[File:contour.png~~\|200px~~]]		[[File:contour.png]]

	Ces neuronnes ne permettent pas à ce stade de deviner par quel "objet" en particulier ils sont stimulés.		Ces neuronnes ne permettent pas à ce stade de deviner par quel "objet" en particulier ils sont stimulés.
Line 76:		Line 76:
	Dans une couche un peu plus élevée, on commence à observer des textures:		Dans une couche un peu plus élevée, on commence à observer des textures:

	[[File:texture.png~~\|200px~~]]		[[File:texture.png]]

	Encore dans une couche plus élevée, on remarque des patterns dans les visualisations, bien qu'on ne distingue encore aucune représentation réelle:		Encore dans une couche plus élevée, on remarque des patterns dans les visualisations, bien qu'on ne distingue encore aucune représentation réelle:

	[[File:pattern.png~~\|200px~~]]		[[File:pattern.png]]

	Dans les couches les plus élevées, on commence à observer dans la visualisation ce par quoi l'objet peut être stimulé. Par exemple, dans la photo ci-dessous, on peut observer des têtes de chiens dans la visualisation du neurone.		Dans les couches les plus élevées, on commence à observer dans la visualisation ce par quoi l'objet peut être stimulé. Par exemple, dans la photo ci-dessous, on peut observer des têtes de chiens dans la visualisation du neurone.

	[[File:partiesobjets.png~~\|200px~~]]		[[File:partiesobjets.png]]

	== Car Detector ==		== Car Detector ==

Elisa.Beaugrand: /* Visualisations */

2021-01-04T09:26:46Z

Visualisations

@@ Line 61: / Line 61: @@
 = Visualisations =
 == Architecture en couches ==
 == Car Detector ==
 = Utilité =

Elisa.Beaugrand: /* Veille Technologique 2020 */

2021-01-04T09:06:43Z

Veille Technologique 2020

← Older revision		Revision as of 09:06, 4 January 2021
Line 77:		Line 77:
	* Année : [[VT2020]]		* Année : [[VT2020]]
	* Sujet : OpenAI Microscope		* Sujet : OpenAI Microscope
			* [https://air.imag.fr/index.php/VT2020-OpenAI_Microscope-Demo Démonstration]
	* Slides : [[Media:Project_flogo.pdf\|Slides]]		* Slides : [[Media:Project_flogo.pdf\|Slides]]
	* Auteur : Élisa BEAUGRAND		* Auteur : Élisa BEAUGRAND

Elisa.Beaugrand: /* Fonctionnement */

2021-01-04T08:40:06Z

Fonctionnement

← Older revision		Revision as of 08:40, 4 January 2021
Line 59:		Line 59:

	Ces modèles de reconnaissance d'images se différencient grâce à leurs caractéristiques d'apprentissage (différentes tailles de couches de convolution, différentes fonctions utilisées, différents poids ...) mais font partis des modèles les plus performants à l'heure actuelle. Microscope s'intéresse donc au fonctionnement de ses réseaux de neuronnes en essayant de comprendre ce qu'apprend concrètement un modèle.		Ces modèles de reconnaissance d'images se différencient grâce à leurs caractéristiques d'apprentissage (différentes tailles de couches de convolution, différentes fonctions utilisées, différents poids ...) mais font partis des modèles les plus performants à l'heure actuelle. Microscope s'intéresse donc au fonctionnement de ses réseaux de neuronnes en essayant de comprendre ce qu'apprend concrètement un modèle.

	= Fonctionnement =


	= Visualisations =		= Visualisations =

Elisa.Beaugrand: /* Modèles compatibles */

2021-01-04T08:25:23Z

Modèles compatibles

← Older revision		Revision as of 08:25, 4 January 2021
Line 47:		Line 47:
	Places365 est une banque d'images 200x200px toutes labelisées. Places365 compte 1000 classes d'images différentes et est souvent utilisé pour l'apprentissage de réseaux de neurones de reconnaissance d'images. Places365 contient donc un très gros volume de données (environ 100000 images). Les classes d'images sont principalement des lieux remarquables, la nature (montagnes, mer, jungle...), de l'architecture.		Places365 est une banque d'images 200x200px toutes labelisées. Places365 compte 1000 classes d'images différentes et est souvent utilisé pour l'apprentissage de réseaux de neurones de reconnaissance d'images. Places365 contient donc un très gros volume de données (environ 100000 images). Les classes d'images sont principalement des lieux remarquables, la nature (montagnes, mer, jungle...), de l'architecture.

	== Modèles compatibles ==		= Modèles compatibles =
	Microscope fonctionne sur 8 réseaux de neurones différents, tous basés sur la reconnaissance d'images:		Microscope fonctionne sur 8 réseaux de neurones différents, tous basés sur la reconnaissance d'images:
	* '''Inception v1''' : apprentissage basé sur ImageNet, en 22 couches, sorti en 2014.		* '''Inception v1''' : apprentissage basé sur ImageNet, en 22 couches, sorti en 2014.

Elisa.Beaugrand at 08:24, 4 January 2021

2021-01-04T08:24:57Z

← Older revision		Revision as of 08:24, 4 January 2021
Line 60:		Line 60:
	Ces modèles de reconnaissance d'images se différencient grâce à leurs caractéristiques d'apprentissage (différentes tailles de couches de convolution, différentes fonctions utilisées, différents poids ...) mais font partis des modèles les plus performants à l'heure actuelle. Microscope s'intéresse donc au fonctionnement de ses réseaux de neuronnes en essayant de comprendre ce qu'apprend concrètement un modèle.		Ces modèles de reconnaissance d'images se différencient grâce à leurs caractéristiques d'apprentissage (différentes tailles de couches de convolution, différentes fonctions utilisées, différents poids ...) mais font partis des modèles les plus performants à l'heure actuelle. Microscope s'intéresse donc au fonctionnement de ses réseaux de neuronnes en essayant de comprendre ce qu'apprend concrètement un modèle.

	= ~~Définitions~~ =		= Fonctionnement =
	== Réseau de neuronnes ==

	== ImageNet ==

	== Places365 ==

	= Fonctionnement =

	= Visualisations =		= Visualisations =
Line 81:		Line 75:
	= Sources =		= Sources =

	Site officiel :
	http://www.flogo.io/

	Github :
	https://github.com/tibcosoftware/flogo


	= Veille Technologique 2020 =		= Veille Technologique 2020 =
	* Année : [[VT2020]]		* Année : [[VT2020]]
	* Sujet : ~~Flogo~~		* Sujet : OpenAI Microscope
	* Slides : [[Media:Project_flogo.pdf\|Slides]]		* Slides : [[Media:Project_flogo.pdf\|Slides]]
	* Auteur : ~~William~~ ~~NELSON~~		* Auteur : Élisa BEAUGRAND