TIPE en MP2I puis MPI* 2021-2023 Julien CHEMILLIER, Augustin LUCAS - [Objectifs](#objectifs) + [Objectif principal](#objectif-principal) + [Découpage du projet](#découpage-du-projet) + [Résultats](#résultats-selon-ce-découpage) - [Réseau dense](#réseau-dense) - [Réseau convolutif](#réseau-convolutif) - [Optimisations](#optimisations) + [Adam Optimizer](#adam-optimizer) + [Utilisation de la carte graphique](#utilisation-de-la-carte-graphique) - [Utilisation](#utilisation) + [Dépendances](#dépendances) + [Compilation](#compilation) + [Exécution](#exécution) - [Articles de recherche utilisés](#articles-de-recherches-utilisés) # Objectifs ## Objectif principal Classification de villes à l'aide d'un réseau de neurones convolutif

## Découpage du projet 1. Créer un réseau de neurones "basique", constitué uniquement de couches denses pour se familiariser avec la structure de réseaux de neurones et le langage C qui n'avait que peu été étudié auparavant. 2. Créer un réseau de neurones convolutif plus efficace sur des images de grande taille. 3. Implémenter différentes techniques d'optimisation du temps de calcul (utilisation du GPU) et du nombre d'itérations (Adam Optimizer)

## Résultats selon ce découpage ### Réseau dense Le code est disponible dans `src/dense` Arborescence du code
``` src/dense ├── include │ ├── main.h │ ├── neural_network.h │ ├── neuron.h │ ├── neuron_io.h │ └── preview.h ├── main.c ├── neural_network.c ├── neuron_io.c ├── preview.c └── utils.c 2 directories, 10 files ```

Résultats sur MNIST: ``` $ build/dense-main train -e 5 -i data/mnist/train-images-idx3-ubyte -l data/mnist/train-labels-idx1-ubyte Threads [8] Époque [0/5] Image [60000/60000] Accuracy: 86.7% Threads [8] Époque [1/5] Image [60000/60000] Accuracy: 90.0% Threads [8] Époque [2/5] Image [60000/60000] Accuracy: 90.5% Threads [8] Époque [3/5] Image [60000/60000] Accuracy: 90.8% Threads [8] Époque [4/5] Image [60000/60000] Accuracy: 90.9% Execution time: 50 s. $ build/dense-main test -i data/mnist/t10k-images-idx3-ubyte -l data/mnist/t10k-labels-idx1-ubyte -m out.bin 10000 Images Accuracy: 90.4% ```

## Réseau convolutif Le code est disponible dans `src/cnn` Arborescence du code
``` src/cnn ├── backpropagation.c/.cu ├── cnn.c ├── convolution.c/.cu ├── creation.c ├── export.c ├── free.c ├── function.c/.cu ├── include │ ├── backpropagation.h │ ├── cnn.h │ ├── config.h │ ├── convolution.h │ ├── creation.h │ ├── free.h │ ├── function.h │ ├── initialisation.h │ ├── jpeg.h │ ├── main.h │ ├── make.h │ ├── matrix_multiplication.h │ ├── neuron_io.h │ ├── print.h │ ├── struct.h │ ├── test_network.h │ ├── train.h │ ├── update.h │ └── utils.h ├── initialisation.c ├── jpeg.c ├── main.c ├── make.c/.cu ├── neuron_io.c ├── preview.c ├── print.c ├── test_network.c ├── train.c ├── update.c └── utils.c 2 directories, 42 files ```

Résultats sur MNIST avec l'architecture LeNet-5, avec Leaky RELU en fonction d'activation, des Batchs de taille 32 et le décalage aléatoire des images désactivé: ``` $ build/cnn-main train --dataset mnist --images data/mnist/train-images-idx3-ubyte --labels data/mnist/train-labels-idx1-ubyte --epochs 5 Pas de fichier de sortie spécifié, défaut: out.bin Taux d'apprentissage initial: 3.00e-04 Initialisation: 185ms Threads [8] Époque [0/5] Image [60000/60000] Accuracy: 60.5244% Loss: 0.046990: Temps: 1mn 31s Threads [8] Époque [1/5] Image [60000/60000] Accuracy: 91.3681% Loss: 0.012858: Temps: 1mn 31s Threads [8] Époque [2/5] Image [60000/60000] Accuracy: 93.0354% Loss: 0.010549: Temps: 1mn 30s Threads [8] Époque [3/5] Image [60000/60000] Accuracy: 93.8429% Loss: 0.009243: Temps: 1mn 29s Threads [8] Époque [4/5] Image [60000/60000] Accuracy: 94.4507% Loss: 0.008328: Temps: 1mn 31s Temps total: 7mn 33s $ build/cnn-main test -m out.bin -d mnist -i data/mnist/t10k-images-idx3-ubyte -l data/mnist/t10k-labels-idx1-ubyte Accuracy: 94.860001 Loss: 0.007952 ```

## Optimisations ### Adam Optimizer Configuration dans `src/cnn/config.h`. Cette optimisation peut-être désactivée à la compilation sur chacun des éléments du réseau de manière indépendante Meilleur taux de réussite sur le jeu de test avec Adam Optimizer (`ADAM_DENSE_WEIGHTS` uniquement): `97.3%`

### Utilisation de la Carte Graphique Un des objectifs principaux de ce TIPE étant également de réaliser un réseau de neurones n'utilisant pas de bibliothèques extérieures pour plus de clarté, seulement la gestion de la mémoire partagée sera faite "en boîte noire", on essayera d'éviter les appels aux fonctions de multiplication de matrices ou de convolution toute faites par exemple. Pour utiliser la carte graphique, toutes les données traitées par le GPU doivent être copiées dans la mémoire de celui-ci, mais la manière dont cela est géré impose d'allouer des blocs de 48kB de mémoire pour en éviter une saturation très rapide. Une "surcouche" à la gestion de la mémoire est donc implémentée dans `src/cnn/memory_management.cu` Résultats pour un réseau assez conséquent, avec des images de 256x256 pixels: |Tâche|Temps GPU|Temps CPU| |---|---|---| |Chargement de l'image|20ms|20ms| |Forward|220ms|4s 200ms| |Backward|370ms|8s 400ms| Architecture du réseau
```c Network* create_large_network(float learning_rate, int dropout, int activation, int initialisation, int input_dim, int input_depth) { Network* network = create_network(16, learning_rate, dropout, activation, initialisation, input_dim, input_depth); add_convolution(network, 6, 258, activation); add_convolution(network, 16, 256, activation); add_average_pooling(network, 64); add_convolution(network, 16, 60, activation); add_average_pooling(network, 30); add_convolution(network, 16, 26, activation); add_convolution(network, 16, 22, activation); add_convolution(network, 16, 18, activation); add_dense_linearisation(network, 840, activation); add_dense(network, 520, activation); add_dense(network, 420, activation); add_dense(network, 320, activation); add_dense(network, 220, activation); add_dense(network, 120, activation); add_dense(network, 50, SOFTMAX); return network; } ```


# Utilisation Sur le cloud avec google Colab: bon GPU mais mauvais processeur: [![Open In Colab](https://colab.research.google.com/assets/colab-badge.svg)](https://colab.research.google.com/drive/1LfwSrQRaoC91yC9mx9BKHzuc7odev5r6?usp=sharing) Les distributions suivantes ont étés essayées, il sera sans doute nécessaire de modifier le code pour l'exécuter sous Windows/ MacOS: - Arch - Fedora - Manjaro - Ubuntu ## Dépendances - cuda : pour utiliser la carte graphique (NVIDIA seulement) - libjpeg-dev : n'est pas installé par défaut sur ubuntu notamment - GNU Make : installé par défaut sur la majorité des distributions - GCC : installé par défaut sur la majorité des distributions ## Compilation Compiler tous les exécutables: ```bash make -j all ``` Exécuter tous les tests: (Attention, si cuda est installé mais qu'aucune carte graphique n'est disponible, cela peut prendre plusieurs minutes) ```bash make -j run-tests ``` ## Exécution Exécuter un fichier compilé (disponible dans `build/`) sans arguments affichera une aide rapide. Se référer à `doc/{cnn,dense}` pour avoir des informations plus détaillées.

# Articles de recherches utilisés |Titre|Auteur|Lien| |---|---|---| |LeNet-5|Yann Lecun|http://yann.lecun.com/exdb/lenet/index.html| |AlexNet|Alex Krizhevsky et al.|https://papers.nips.cc/paper/2012/file/c399862d3b9d6b76c8436e924a68c45b-Paper.pdf| |Dropout|Nitish Srivastava et al.|https://www.jmlr.org/papers/volume15/srivastava14a/srivastava14a.pdf| |Adam Optimizer|Diederik P. Kingma, Jimmy Lei Ba|https://arxiv.org/pdf/1412.6980.pdf| |Recent Advances in Convolutional Neural Networks|Jiuxiang Gu, Zhenhua Wang, Jason Kuen et al.|https://arxiv.org/pdf/1512.07108.pdf| |DeepGeo & 50STates10K Database|Sudharshan Suresh, Nathaniel Chodosh, Montiel Abello|https://arxiv.org/pdf/1810.03077v1.pdf| |Img2GPS|James Hays and Alexei A. Efros|http://graphics.cs.cmu.edu/projects/im2gps/im2gps.pdf| |PlaNet|Tobias Weyand|https://arxiv.org/pdf/1602.05314.pdf|