Il presente tutorial è prodotto per il progetto OIL SPILL. Tutto è stato sviluppato in ambiente linux usando la distro Ubuntu 16.04 con il supporto del IDE PyCharm. Si consiglia di utilizzare la versione pyhton3.5.
La versione di pyhton indicata è presente di default nella versione del sistema operativo usato, tuttavia, se si dovesse utlizzare un sistema operativo diverso o meno recente, è possible installare la versione indicata di pyhton direttamente dai sorgenti seguendo questa guida
ATTENZIONE
Prima di procedere all'installazione direttamente dai sorgenti assicurarsi della piena compatibilità del proprio sistema operativo!
Affinché sia possibile eseguire i vari notebook jupyter di esempio presenti nel progetto, è necessario aver installato la suite di MATLAB.
Per rendere il progetto indipendente dall'intero sistema operativo si consiglia di intallare il gestore di ambiente virtuale. Tra i più usati esiste virtual_env. Il suo utilizzo è fortemente consigliato.
Dopo aver scaricato il codice sorgente del progetto è necessario instanziare il proprio virtual_env.
Da questo punto in avanti assumiamo di essere in ambiente linux, fermorestando che è possible effettuare le stesse operazioni in ambinete windows.
Prima di procedere con la creazione del nostro ambiente virtuale è
necessario installare il pacchetto python3-dev
~$ sudo apt-get install python3-dev
Nel folder parent del progetto lanciare i seguenti comandi
~$ virtualenv -p python3.5 --distribute {nome_progetto}
~$ cd {nome_progetto}
~$ source bin/activate
A questo punto abbiamo creato ed attivato il nostro ambiente virtuale.
È necessario ora installare tutte le dipendenze del progetto, per farlo lanciare il seguente comando:
~$ pip install -r requirements.txt
A questo punto il nostro ambiente virtuale è pronto per eseguire il codice pyhton del progetto.
Per poter eseguire il codice prodotto ci sono due modalità:
- attraverso l'ambiente di sviluppo PyCharm
- direttamente nella console eseguendo lo script
main.py
Per lanciare l'esecuzione dello script dall'ambiente di sviluppo
consigliato è sufficiente lanaciare il run dello script main.py nella
cartella src e seguire le istruzione nel terminale.
Per eseguire lo script nella console è necessario lanciare i seguenti comandi nella console
~$ cd src
~$ python main.py
== MENU Classification OilSpill ==
----------------------------------
1 - Neural Network
2 - Convolutional Neural Network
3 - Fit and Evaluete Unsupervised Network
> _
Selezionando la voce 1 del menu si esegue la parte di script realativa alle Neural Network
> 1
1 - Fit and Evaluete Neural Network
2 - Evaluete Neural Network
3 - back
>
Seguendo le voci del menu:
- addestra, valuta la rete sul dataset completo presente nel folder
dataset(utlizzando la cross validation) e salva i modelli migliori per i singolik_folde il best_model dell'intera fase di training - consete di scegliere uno dei migliori modelli della fase di training
e usarlo per la fase di valutazione, al termine della quale salva il
modello usato nel folder
best_modelcon i dati di loss e accuracy - torna al menù precedente
Per eseguire l'addetramento o la valutazione della rete nurale convoluzionale selezionare l'opzione 2 dal menù princiaple.
A questo punto bisogna selezionare l'opzione desiderata tra le seguenti
> 2
1 - Fit and Evaluete CNN
2 - Evaluete CNN
3 - back
>
Seguendo le voci del menu:
- addestra, valuta la rete sul dataset completo sfruttando il nostro modello base di rete nurale convoluzionale. Alla fine del processo di training salva il modello appena preparato e ne valuta le performances.
- consete di valutare le performances del modello pre-addestrato con il dataset selezionato e ne stampa le metriche fondamentali
Confusion Matrix :
[[1432 6 0]
[ 6 106 14]
[ 0 0 18]]
Metrics => ['loss', 'acc'] [0.040917391368975646, 0.98356510745891279]
Classification Report :
precision recall f1-score support
0 1.00 1.00 1.00 1438
1 0.95 0.84 0.89 126
2 0.56 1.00 0.72 18
avg / total 0.99 0.98 0.98 1582
```
3. torna al menù precedente
###### Unsupervised Neural Network <a name="unn"></a>
Scegliendo l'opzione **_3_** dal menu principale si esegue l'addestramento
e l'inferenza di un autoencoder per rigenerare un nuovo dataset a
partire da quello originale. Questo ha l'obiettivo di usare una nuova
base di informazioni ricollocate secondo quello che l'autoencoder
riconosce nella morfologia delle immagini.
3 STARTING FITTING UNSUPERVISED NEURAL NETWORK loading data .........
Alla fine del processo avremo un nuovo folder, `img_cluster`, nel quale
saranno presenti i folder per le 3 classi che contengono le immaigni
orginali ridistribuite secondo la logica dell'autoencoder