Update 10 files

- /web/content/am/_index.md
- /web/content/am/images/dl_layer.png
- /web/content/am/images/dl_neuron.png
- /web/content/am/images/point_cloud_errorclassif.jpg
- /web/content/am/images/point_cloud.jpg
- /web/content/am/images/point_cloud_4pi.jpg
- /web/content/am/images/dl_playground.jpg
- /web/content/am/images/convnet.png
- /web/content/am/images/dl_cnn_progression.png
- /web/content/am/TP_Classification.md

web/content/am/TP_Classification.md

@@ -16,7 +16,7 @@ Un neurone artificiel (ou un perceptron) reçoit des valeurs d’entrées, il le
 somme est passée à une fonction d'activation. Par exemple une fonction d'activation très simple peut-être de comparer la somme à un seuil. Si
 elle est inférieure, la valeur de sortie sera 0, 1 sinon. L’objectif de l’apprentissage/optimisation est de retrouver les poids qui ferons correspondre au mieux la sortie à partir des entrées sur une base de connaissance disponible.
 
-<img src="//neurone.png" class="align-center" width="400" />
+![Image alt](../images/dl_neuron.png)
 
   
 
@@ -25,7 +25,9 @@ elle est inférieure, la valeur de sortie sera 0, 1 sinon. L’objectif de l’a
 Le principe du réseau de neurones est d’assembler entre-eux des neurones, pour leur faire apprendre des tâches complexes. Les neurones
 vont être regroupés en couches, une couche réalisant une tâche donnant un niveau d’abstraction supplémentaire pour la couche suivante. Par
 exemple, pour reconnaître une lettre, la couche la plus basse va repérer des morceaux de courbes et la couche supérieure estime que certaines
-courbes ensembles forme un 'A' et non un 'S'. L’utilisation de plusieurs couches (layer en anglais) est appelée apprentissage profond/Deep Learning. <img src="//dl_layer.png" class="align-center" width="400" />
+courbes ensembles forme un 'A' et non un 'S'. L’utilisation de plusieurs couches (layer en anglais) est appelée apprentissage profond/Deep Learning. 
+
+![Image alt](../images/dl_layer.png)
 
   
 [Voir une explication plus détaillé sur Wikipedia par exemple.](https://fr.wikipedia.org/wiki/R%C3%A9seau_de_neurones_artificiels)
@@ -34,7 +36,7 @@ courbes ensembles forme un 'A' et non un 'S'. L’utilisation de plusieurs couch
 Dans un 1er temps, allez jouer sur le web avec ["Playground classifier"](https://playground.tensorflow.org/) pour comprendre le principe de la classification de points avec un réseau de neurones profond.
 
   
-<img src="//playground_dl.jpg" class="align-center" width="500" />
+![Image alt](../images/playground_dl.jpg)
 
   
   
@@ -51,7 +53,7 @@ Dans un 2e temps vous allez écrire votre classifier de points avec PyTorch.
 Pour notre problème de reconnaitre la couleur d'un point, il faut des données d'apprentissage. [Le code de départ est donné ici](https://github.com/ucacaxm/DeepLearning_Vision_SimpleExamples/blob/master/src/classifier/classifier_pointcloud_empty.py).
 Ce code génère des points (les données) procéduralement, donc autant que l'on veut. La classe bleu sont les points dont les coordonnées sont inférieures à cosinus, et la classe verte sont les points au dessus de cosinus. Dans un "vrai" problème, ces données ne peuvent se générer, il faut les trouver quelque part ...
 
-<img src="//point_cloud.jpg" class="align-center" width="400" />
+![Image alt](../images/point_cloud.jpg)
 
   
   
@@ -131,7 +133,7 @@ Le code ci-dessous donne un réseau minimaliste. Vous devrez l'améliorer pour q
 
 Le résultat sera le taux de bonne reconnaissance de points, mesuré avec des points jamais observés pendant l'apprentissage. Par exemple après un apprentissage nous obtenons un taux de 96% de bonne classification, les points rouges sur l'image suivante sont les points mal classifiés.
 
-<img src="//point_cloud_errorclassif.jpg" class="align-center" width="400" />
+![Image alt](../images/point_cloud_errorclassif.jpg)
 
   
   
@@ -141,10 +143,9 @@ Pour rendre le problème un peu plus dur vous pouvez augmenter la plage de gén
     devient
     x = np.array( [ 4.0*3.141592*np.random.ranf(), 2.0*np.random.ranf()-1 ])
 ```
-
-<img src="//point_cloud_4pi.jpg" class="align-center" width="400" />  
   
   
+![Image alt](../images/point_cloud_4pi.jpg)
 
 
 
@@ -154,12 +155,11 @@ Pour ce 2e problème un peu plus concret, nous disposons d'images et nous voudri
 exemple, pour reconnaitre le nombre à partir de l'image du nombre écrit ou reconnaitre la figure géométrique à partir d'un dessin, ou plus largement reconnaitre une famille d'objets (chat, voiture, avion, fourchette, etc.).
 
   
-Pour ce type de tâche , le réseau approprié est le ConvNET ou CNN : Convolution Neural Network. Vous pouvez lire des explications sur ce qu'est un CNN :
-
-     * [[https://medium.com/@CharlesCrouspeyre/comment-les-r%C3%A9seaux-de-neurones-%C3%A0-convolution-fonctionnent-b288519dbcf8|Plutôt vulgarisation]]
-     * [[https://ujjwalkarn.me/2016/08/11/intuitive-explanation-convnets/|Explication intuitive]]
+Pour ce type de tâche, le réseau approprié est le ConvNET ou CNN : Convolution Neural Network. Vous pouvez lire des explications sur ce qu'est un CNN :
+* [[https://medium.com/@CharlesCrouspeyre/comment-les-r%C3%A9seaux-de-neurones-%C3%A0-convolution-fonctionnent-b288519dbcf8|Plutôt vulgarisation]]
+* [[https://ujjwalkarn.me/2016/08/11/intuitive-explanation-convnets/|Explication intuitive]]
 
-<img src="/convnet.png" class="align-center" width="600" />
+![Image alt](../images/convnet.png)
 
   
 Pour ce TP, nous vous invitons à utiliser [une base de données d'images issue d'un projet de L3 qui cherche à reconnaitre 5 formes dessinés](https://github.com/ucacaxm/DeepLearning_Vision_SimpleExamples/blob/master/data/shapes5_preprocessed.zip) : carré, cercle, triangle, sablier, étoile. Il y a que quelques centaines d'images par forme, c'est un bon challenge de voir ce que la reconnaissance donne avec finalement assez peu d'images. Il est également intéressant d'augmenter les données. Dans le cas d'images comme ici, vous pouvez faire de petites rotations aléatoires aux images pour en augmenter le nombre.
@@ -220,4 +220,4 @@ Un exemple de code qui charge une base d'images, voir également la doc de [imag
   
   
 Il est intéressant de voir que chaque couche de convolutions devient de plus en plus spécifiques à l'objet :
-<img src="//dl_cnn_progression.png" class="align-center" width="600" />  
+![Image alt](../images/dl_cnn_progression.png)

web/content/am/_index.md

@@ -29,7 +29,6 @@ description: "Partie A. Meyer"
 -->
   
   
-![Image alt](images/colab.jpg)