Upload plusloin.py

streamlit_presentation/plusloin.py

@@ -0,0 +1,59 @@
+import numpy as np
+import seaborn as sns
+import matplotlib.pyplot as plt
+from PIL import Image
+import matplotlib.pyplot as plt
+
+
+
+def processImage(st,name,autoencoder):
+    image = Image.open(name)
+    image = image.resize((100, 100)).convert('L')
+    image_array = np.array(image).astype('float32') / 255.0  # Normalisation
+    image_array = np.expand_dims(image_array, axis=0)
+
+    predicted_image = autoencoder.predict(image_array)
+    
+
+    plt.figure(figsize=(4, 2))
+
+    # Image originale
+    plt.subplot(1, 2, 1)
+    plt.imshow(image_array[0], cmap='gray')
+    plt.title("Original")
+    plt.axis('off')
+
+    # Image reconstruite
+    plt.subplot(1, 2, 2)
+    plt.imshow(predicted_image[0], cmap='gray')
+    plt.title("Reconstruite")
+    plt.axis('off')
+
+    plt.tight_layout()
+  
+
+    from tensorflow.keras.losses import MeanSquaredError
+    mse = MeanSquaredError()
+    
+    loss_value = mse(image_array, predicted_image).numpy()
+    st.write("MSE Loss:", loss_value)
+    st.pyplot(plt)
+    
+    
+def plusloin(st,modele):
+    
+    st.write("""Une des pistes exploratoires etait d'entrainer un autoencoder a reconstruire les images d'une categorie unique, et d'utiliser le loss MSE comme discriminant pour les autres categories.
+
+    Ci-dessous nous proposons un modele entraine sur la categorie 10, livres et revues, et regardons ce que donne la loss sur d'autres categories.
+    
+    Malheureusement, les pochettes de livres sont tres generiques, les revues sont illustrees de photos non specifiques, aussi le modele s'avere aussi bon, parfois meilleur, a reconstruire les autres categories.         
+    """)
+     
+    imgName = st.selectbox(
+    "Choix de l'image a predire:",
+    ('book.jpg','car.jpg', 'toy.jpg','joystick.jpg','chess.jpg'))
+
+    st.write('Image choisie:', imgName)
+
+    processImage(st,imgName,modele)
+    st.image("autoencoder.png",  use_column_width=True)