File size: 5,159 Bytes
766250f | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 | """
Démonstration du framework Sitiai
"""
import numpy as np
import sitiai
print("=" * 60)
print("Bienvenue dans Sitiai!")
print("Framework Python pour créer et entraîner des IA légères")
print("=" * 60)
# ============================================
# DEMO 1: IA GÉNÉRATIVE - Générateur de noms
# ============================================
print("\n\n📝 DÉMO 1: Générateur de Noms")
print("-" * 60)
# Créer une IA générative pour les noms
print("\n1. Création d'une IA générative...")
name_ai = sitiai.create.ai('generative', mode='name_generator')
print(f"✓ {name_ai}")
# Charger des données d'entraînement
print("\n2. Chargement des données d'entraînement...")
noms_francais = [
"Clemylia", "Alexandre", "Sophie", "Marie", "Pierre",
"Julien", "Camille", "Lucas", "Emma", "Hugo",
"Léa", "Thomas", "Chloé", "Nathan", "Manon",
"Baptiste", "Clara", "Antoine", "Juliette", "Maxime"
]
name_ai.load_data(noms_francais)
print(f"✓ {len(noms_francais)} noms chargés")
# Entraîner le modèle
print("\n3. Entraînement du modèle...")
name_ai.train(epochs=100)
print("✓ Entraînement terminé!")
# Générer de nouveaux noms
print("\n4. Génération de nouveaux noms:")
nouveaux_noms = name_ai.generate_batch(n=8, temperature=0.8)
for i, nom in enumerate(nouveaux_noms, 1):
print(f" {i}. {nom}")
# ============================================
# DEMO 2: IA DE PRÉDICTION LINÉAIRE
# ============================================
print("\n\n" + "=" * 60)
print("📊 DÉMO 2: Prédiction Linéaire")
print("-" * 60)
# Créer des données synthétiques pour la régression
print("\n1. Création de données synthétiques...")
np.random.seed(42)
n_samples = 200
# Relation: y = 3*x1 + 2*x2 - x3 + 5 + bruit
X_train = np.random.randn(n_samples, 3)
y_train = 3 * X_train[:, 0] + 2 * X_train[:, 1] - X_train[:, 2] + 5
y_train += np.random.randn(n_samples) * 0.5 # Ajouter du bruit
X_test = np.random.randn(50, 3)
y_test = 3 * X_test[:, 0] + 2 * X_test[:, 1] - X_test[:, 2] + 5
y_test += np.random.randn(50) * 0.5
print(f"✓ {n_samples} échantillons d'entraînement, 50 échantillons de test")
# Créer une IA de prédiction linéaire
print("\n2. Création d'une IA de prédiction linéaire...")
linear_ai = sitiai.create.ai('linear', input_size=3, output_size=1, hidden_layers=[16, 8])
print(f"✓ {linear_ai}")
# Entraîner le modèle
print("\n3. Entraînement du modèle (cela peut prendre quelques secondes)...")
linear_ai.train(X_train, y_train, epochs=200, learning_rate=0.01, verbose=False)
print("✓ Entraînement terminé!")
# Évaluer le modèle
print("\n4. Évaluation sur les données de test...")
mse, r2 = linear_ai.evaluate(X_test, y_test)
print(f" • Erreur quadratique moyenne (MSE): {mse:.4f}")
print(f" • Score R² (coefficient de détermination): {r2:.4f}")
# Faire quelques prédictions
print("\n5. Exemples de prédictions:")
for i in range(5):
x = X_test[i:i+1]
pred = linear_ai.predict(x)[0, 0]
real = y_test[i]
print(f" Prédiction: {pred:.2f} | Réel: {real:.2f} | Erreur: {abs(pred - real):.2f}")
# ============================================
# DEMO 3: Utilisation de SitiNEUR directement
# ============================================
print("\n\n" + "=" * 60)
print("🧠 DÉMO 3: Utilisation directe de SitiNEUR")
print("-" * 60)
print("\n1. Création d'une couche de neurones...")
layer = sitiai.SitiNEUR(input_size=5, output_size=3, activation='relu')
print(f"✓ {layer}")
print("\n2. Test de propagation avant...")
input_data = np.random.randn(2, 5) # 2 exemples, 5 features
output = layer.forward(input_data)
print(f" Entrée shape: {input_data.shape}")
print(f" Sortie shape: {output.shape}")
print(f" Sortie:\n{output}")
# ============================================
# DEMO 4: Sauvegarde et Chargement de Modèles
# ============================================
print("\n\n" + "=" * 60)
print("💾 DÉMO 4: Sauvegarde et Chargement de Modèles")
print("-" * 60)
print("\n1. Sauvegarde du modèle linéaire...")
linear_ai.save_weights('demo_linear_model.npz')
print("\n2. Sauvegarde du générateur de noms...")
name_ai.save_weights('demo_name_generator.npz')
print("\n3. Test de chargement...")
loaded_ai = sitiai.create.ai('linear', input_size=3, output_size=1, hidden_layers=[16, 8])
loaded_ai.load_weights('demo_linear_model.npz')
# Vérifier que ça fonctionne
test_pred = loaded_ai.predict(X_test[0:1])
print(f" Prédiction avec modèle chargé: {test_pred[0, 0]:.2f}")
# ============================================
# Conclusion
# ============================================
print("\n\n" + "=" * 60)
print("✨ Démonstration terminée!")
print("=" * 60)
print("\nSitiai vous permet de:")
print(" • Créer des IA génératives pour générer des noms, textes, etc.")
print(" • Créer des IA de prédiction linéaire pour la régression")
print(" • Utiliser des couches de neurones SitiNEUR facilement")
print(" • Sauvegarder et charger vos modèles (.npz)")
print(" • Partager vos modèles facilement!")
print("\nSyntaxe simple inspirée de PyTorch, mais plus accessible!")
print("=" * 60)
|