Riconoscimento foraminiferi con rete neurale Tensorflow

Questa versione di codice prevede l'uso completo di Tensorflow Keras per creare delle classificazioni di immagini per il riconoscimento di foraminiferi(il codice e' stato adattato dal seguente link).
Spoiler: il modello ha effettuato il corretto riconoscimento di poco oltre il 54% dei tentativi...tirando a caso i successi stimati sarebbero del 20%

il dataaset non e' enorme ma si tratta di un esempio (immagini tratte da http://www.endlessforams.org/)

Sono state selezionate le specie con almeno 1500 immagini (ogni classe ha lo stesso numero di immagini in modo da non favorire nessuna classe nel training) e sono state selezionate le immagini a piu' alta qualita'

globigerinoides_ruber images: 1500
globigerina_bulloides images: 1500
globigerinita_glutinata images: 1500
globigerinoides_sacculifer images: 1500
neogloboquadrina_pachyderma images: 1500

le immagini dei foraminiferi sono classificate all'interno delle cartelle con il nome della rispettiva specie. Per questo esempio sono state selezionate 5 specie e quindi 5 classi
Si tratta quindi di algoritmi di image classification basati su class_mode=categorical

le immagini originali sono state tagliate dei 160 pixel alla base per togliere la banda bianca con le scritte
-------------------------------------------
for f in *.jpg
do
convert $f -gravity South -chop 0x160 a_$f
done
-------------------------------------------


===========================================================

import os


a_dir = os.path.join('./train/globigerinoides_ruber')
b_dir = os.path.join('./train/globigerina_bulloides')
c_dir = os.path.join('./train/globigerinita_glutinata')
d_dir = os.path.join('./train/globigerinoides_sacculifer')
e_dir = os.path.join('./train/neogloboquadrina_pachyderma')


print('globigerinoides_ruber images:', len(os.listdir(a_dir)))
print('globigerina_bulloides images:', len(os.listdir(b_dir)))
print('globigerinita_glutinata images:', len(os.listdir(c_dir)))
print('globigerinoides_sacculifer images:', len(os.listdir(d_dir)))
print('neogloboquadrina_pachyderma images:', len(os.listdir(e_dir)))

import matplotlib.pyplot as plt
import matplotlib.image as mpimg

batch_size = 16

from tensorflow.keras.preprocessing.image import ImageDataGenerator

# riscala i valorei
train_datagen = ImageDataGenerator(rescale=1/255)

train_generator = train_datagen.flow_from_directory(
        './train',  
        target_size=(200, 200),  # tutte le immagini vengono riscalate a 200x200. Gli originali sono circa 400x640
        batch_size=batch_size,
        classes = ['globigerinoides_ruber','globigerina_bulloides','globigerinita_glutinata','globigerinoides_sacculifer','neogloboquadrina_pachyderma'],
        class_mode='categorical')

import tensorflow as tf


model = tf.keras.models.Sequential([
    # The first convolution
    tf.keras.layers.Conv2D(16, (3,3), activation='relu', input_shape=(200, 200, 3)),
    tf.keras.layers.MaxPooling2D(2, 2),
    tf.keras.layers.Conv2D(32, (3,3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Conv2D(64, (3,3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Conv2D(64, (3,3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Conv2D(64, (3,3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    # softmax deve essere impostato al numero di classi 
    tf.keras.layers.Dense(5, activation='softmax')
])

model.summary()

from tensorflow.keras.optimizers import RMSprop

model.compile(loss='categorical_crossentropy',
              optimizer=RMSprop(lr=0.001),
              metrics=['acc'])

total_sample=train_generator.n

n_epochs = 15
history = model.fit_generator(
        train_generator, 
        steps_per_epoch=int(total_sample/batch_size),  
        epochs=n_epochs,
        verbose=1)

model.save('1500el_5classi_model.h5')

===========================================================

i dati sono salvati in un file .h5

per la verifica del modello sono state selezionate 5 immagini per ogni classe che non erano comprese nel training con 15 epochs
questo e' lo script di predizione basato sulla libreria creata in precedenza (il nome del file immagine da esaminare viene passato sulla linea di comando)
============================================================
import tensorflow as tf
from tensorflow.keras import Model 
from PIL import Image
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import sys
from numpy import asarray
import numpy as np

model = tf.compat.v2.keras.models.load_model('../1500el_5classi_model.h5')

image = Image.open(sys.argv[1])
image = image.resize((200,200))
pic = asarray(image)
pic = pic.astype('float32')
pic /= 255.0

pic=np.expand_dims(pic,axis=0)


prediction = model.predict(pic)
print(sys.argv[1])

float_formatter = "{:.2f}".format
np.set_printoptions(formatter={'float_kind':float_formatter})
print(prediction)
print()
============================================================


i risulati sono i seguenti

			Corretti	Errati
Globigerina Bulloides			9	1
Globigerinita Glutinata			1	9
Globigerinoides Ruber			3	7
Globigerinoides Sacculifer			9	0
Neogloboquadrina Pachyderma			3	6
			52%	48%

I risultati delle colonne seguenti sono in percentuali di affidabilita' (1=100%)

		Globigerinoides Ruber	Globigerina Bulloides	Globigerinita Glutinata	Globigerinoides Sacculifer	Neogloboquadrina Pachyderma
		Predizione
Immagini reali
Globigerina Bulloides	1		1.00
	2		1.00
	3		1.00
	4		1.00
	5		1.00
	6		0.17		0.93
	7	0.25	0.74		0.01
	8		1.00
	9		1.00
	10		1.00
Globigerinita Glutinata	1		0.95		0.04
	2	0.32	0.03		0.65
	3	0.01	0.77	0.05	0.18
	4		0.79	0.17	0.01	0.03
	5	0.07	0.05	0.68	0.20
	6	0.82	0.02	0.03	0.13
	7		0.94	0.06
	8	0.00	0.61	0.04	0.35
	9	0.21	0.11	0.1	0.58
	10	0.12	0.14	0.01	0.73
Globigerinoides Ruber	1			1.00
	2	0.02	0.98
	3	0.26	0.18		0.55
	4			1.00
	5	0.98	0.01		0.01
	6	0.70			0.30
	7	0.02			0.98
	8				1.00
	9				1.00
	10	0.63			0.36
Globigerinoides Sacculifer	1	0.27			0.73
	2		0.01		0.99
	3				1.00
	4				1.00
	5		0.07		0.93
	6				1.00
	7				1.00
	8				1.00
	9				1.00
Neogloboquadrina Pachyderma	1				1.00
	2				1.00
	3				0.89	0.01
	4	0.01			0.01	0.98
	5				1.00
	6					1.00
	7				0.95	0.01
	8	0.08			0.08	0.83
	9		0.02		0.97

Aggiungedo un Dropout del 20% le cose migliorano ma non troppo

			Corretti	Errati
Globigerina Bulloides			10	0
Globigerinita Glutinata			4	6
Globigerinoides Ruber			5	5
Globigerinoides Sacculifer			6	3
Neogloboquadrina Pachyderma			1	9
			54%	48%

ho provato ad usare l'optimizer adam con 3 livelli di convoluzione ma i risultati sono stati peggiori

TensorFlow Lite Image Classification su Android

Per testare la image classification su TensorFlow Lite su Android si puo' scaricare il pacchetto

git clone https://github.com/tensorflow/examples

e si apre il progetto contenuto in

examples/lite/examples/image_classification/android/

La libreria di default riconosce un migliaio di oggetti

per modificare la libreria di default in modo da utlizzare i propri dati si aggiungono i file .tllite e le labels  in txt in /asssets del progetto. Con il comando "Find in Path...." si cercano le ricorrenze nel progetto di mobilenet_v1_1.0_224.tflite e labels.txt e si inseriscono i riferimenti ai file della propria libreria. Il file da modificare e' ClassifierFloatMobileNet.java e ClassifierQuantizedMobileNet.java 

Per riferimenti seguire il link

Riconoscimento foraminiferi con rete neurale Tensorflow Lite

Questo e' sempre stato uno dei miei sogni quando studiavo micropaleontologia....avere un sistema automatico (o semi automatico) che mi aiutasse nel riconoscimento di foraminiferi (planctonici del Miocene nel caso specifico)

Con Tensorflow Lite si puo' arrivare a qualcosa di simile
Prima di iniziare pero e' necessario avere una buona base di immagini....in cio' viene in aiuto il sito
http://www.endlessforams.org/ da cui e' possibile scaricare le fotografie di foraminiferi gia' classificati

Nello specifico, per il mio test, ho selezionato le prime 100 foto delle specie

Globigerina Falconensis
Globigerina Bulloides
Globigerinella Calida
Globigerinella Siphonifera
Globorotalia Crassiformis
Orbulina Universa

alcune sono state scelte volutamente con morfologia simile in modo da vedere il grado di risoluzione della macchina neurale. Queste 600 immagini sono in train dataset mentre sono state selezionate ulteriore 12 immagini (2 per specie) come test dataset; le immagini di test ovviamente non sono incluse nel set di apprendimento

Le immagini sono organizzate in una struttura di directory come in immagine seguente

In pratica il nome della directory e' la label utilizzata da Tensorflow per image recognition

E' giunto il momento di creare la libreria personalizzata di Tensorflow con il seguente script Python

Si apre il virtual environment con venv/bin/activate e si lancia

====================================================
from __future__ import absolute_import, division, print_function, unicode_literals

import numpy as np

import tensorflow as tf
assert tf.__version__.startswith('2')

from tensorflow_examples.lite.model_customization.core.data_util.image_dataloader import ImageClassifierDataLoader
from tensorflow_examples.lite.model_customization.core.task import image_classifier
from tensorflow_examples.lite.model_customization.core.task.model_spec import efficientnet_b0_spec
from tensorflow_examples.lite.model_customization.core.task.model_spec import ImageModelSpec

import matplotlib.pyplot as plt

image_path = "./foraminifera/"

data = ImageClassifierDataLoader.from_folder(image_path)
model = image_classifier.create(data)
loss, accuracy = model.evaluate()
model.export('fora_classifier.tflite', 'fora_labels.txt')
====================================================

a questo punto si e' pronti per testare la libreria con il seguente script
====================================================
"""label_image for tflite."""

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import argparse
import numpy as np

from PIL import Image

#import tensorflow as tf # TF2
import tflite_runtime.interpreter as tflite



def load_labels(filename):
  with open(filename, 'r') as f:
    return [line.strip() for line in f.readlines()]


if __name__ == '__main__':
  parser = argparse.ArgumentParser()
  parser.add_argument(
      '-i',
      '--image',
      default='./test_image/orbulina_test.jpg',
      help='image to be classified')
  parser.add_argument(
      '-m',
      '--model_file',
      default='fora_classifier.tflite',
      help='.tflite model to be executed')
  parser.add_argument(
      '-l',
      '--label_file',
      default='fora_labels.txt',
      help='name of file containing labels')
  parser.add_argument(
      '--input_mean',
      default=127.5, type=float,
      help='input_mean')
  parser.add_argument(
      '--input_std',
      default=127.5, type=float,
      help='input standard deviation')
  args = parser.parse_args()

  #interpreter = tf.lite.Interpreter(model_path=args.model_file)

  interpreter = tflite.Interpreter(model_path=args.model_file)

  interpreter.allocate_tensors()

  input_details = interpreter.get_input_details()
  output_details = interpreter.get_output_details()

  # check the type of the input tensor
  floating_model = input_details[0]['dtype'] == np.float32

  # NxHxWxC, H:1, W:2
  height = input_details[0]['shape'][1]
  width = input_details[0]['shape'][2]
  img = Image.open(args.image).resize((width, height))

  # add N dim
  input_data = np.expand_dims(img, axis=0)

  if floating_model:
    input_data = (np.float32(input_data) - args.input_mean) / args.input_std

  interpreter.set_tensor(input_details[0]['index'], input_data)

  interpreter.invoke()

  output_data = interpreter.get_tensor(output_details[0]['index'])
  results = np.squeeze(output_data)

  top_k = results.argsort()[-5:][::-1]
  labels = load_labels(args.label_file)
  for i in top_k:
    if floating_model:
      print('{:08.6f}: {}'.format(float(results[i]), labels[i]))
    else:
      print('{:08.6f}: {}'.format(float(results[i] / 255.0), labels[i]))
====================================================

lo script si lancia con la sintassi

(venv) luca@debian:~/tensor/tf_spectra/fora$ python classify_image_2.py -i ./test_image/crassaformis_test.jpg

in pratica con lo switch -i si indica il file immagine di test di cui si vuole riconoscere l'immagine

un risultato di esempio e'

(venv) luca@debian:~/tensor/tf_spectra/fora$ python classify_image_2.py -i ./test_image/crassaformis_test.jpg

INFO: Initialized TensorFlow Lite runtime.

0.823927: globorotalia_crassaformis

0.098882: globigerina_bulloides

0.031008: globigerinella_calida

0.023761: globiferina_falconensis

0.015816: orbulina_universa

in pratica l'immagine di test di una Globorotalia Crassaformis e' stato riconosciuta al 83% di confidenza con la giusta classificazione

Mettendo in tabella i risultati

In verde la corretta attribuzione, in arancione attribuzione errata da parte della rete neurale

commentando i risultati si osserva che su 12 test 8 hanno portato ad un corretto riconoscimento, con punteggi molto alti in caso di foraminiferi molto caratteristici come le Orbuline, in un caso e' stato individuato in modo corretto il genere ma non la specie, mentre nei due rimanenti casi di errata classificazione l'errore e' molto marcato

1. Hsiang AY, Brombacher A, Rillo MC, Mleneck-Vautravers MJ, Conn S, Lordsmith S, Jentzen A, Henehan MJ, Metcalfe B, Fenton I, Wade BS, Fox L, Meilland J, Davis CV, Baranowski U, Groeneveld J, Edgar KM, Movellan A, Aze T, Dowsett H, Miller G, Rios N, Hull PM. (2019) Endless Forams: >34,000 modern planktonic foraminiferal images for taxonomic training and automated species recognition using convolutional neural networks. Paleoceanography & Paleoclimatology, 34. https://doi.org/10.1029/2019PA003612

2. Elder L.E., Hsiang A.Y., Nelson K., Strotz L.C., Kahanamoku S.S., Hull P.M. Sixty-one thousand recent planktonic foraminifera from the Atlantic Ocean. Scientific Data 5: 180109. https://doi.org/10.1038/sdata.2018.109

3. Rillo M.C., Whittaker J., Ezard T.H.G., Purvis A., Henderson A.S., Stukins S., Miller C.G. 2016. The unknown planktonic foraminiferal pioneer Henry Buckley and his collection at The Natural History Museum, London. Journal of Micropalaeontology. https://doi.org/10.1144/jmpaleo2016-020

Preparare i dati per Tensorflow

Questo spero si tratti l'inizio di alcuni post sulla possibilita' di usare Tensorflow per stimare la concentrazione di alcune specie chimiche partendo da spettri IR

Per questo scopo c'e' bisogno di un database in cui sono presenti spettri IR ed analisi composizionali del materiale. L'unico database pubblico che conosco e' usgs_splib07 da questo link

Per semplicita' sono stati selezionati gli spettri a 480 bande

		SiO2	Al2O3	MgO
1	Actinolite HS116	57,8	0,22	22,4
2	Actinolite HS22	54,5	1,64	21,69
3	Actinolite HS315	57,7	1,38	24,58
4	Albite NMNHC5390	68,18	20,07	0,02
5	Almandine HS114	40,4	22,97	0,53
6	Almandine WS475	37,98	22,14	7,35
7	Almandine WS476	39,84	22,04	10,69
8	Almandine WS478	39,09	22,05	5,74
9	Almandine WS479	37,34	21,93	8,83
10	Andradite NMNH113829	35,5	0,29	0,14
11	Andradite WS474	35,85	0,085	0,67
12	Annite WS661	33,48	14,51	0,006
13	Antigorite NMNH96917a	41,3	1,59	36,3
14	Augite NMNH120049	48,93	8,44	14,37
15	Biotite WS660	39,52	11,05	14,45
16	Chlorite SMR-13	31	17,3	30,2
17	Clinochlore GDS158	27,5	19,8	24,7
18	Clinochlore GDS159	31,3	19,4	34,7
19	Clinochlore NMNH83369	32	16	33,9
20	Diopside NMNHR18685	54,77	0,49	18,26
21	Elbaite NMNH94217	36,83	40,56	0,03
22	Epidote GDS26	37,14	23,05	0,06
23	Grossular NMNH155371	38,84	17,95	0,15
24	Grossular WS484	39,71	22,58	0,019
25	Halloysite CM13	46,3	35,2	0,31
26	Hectorite SHCa-1	34,7	0,69	15,3
27	Hydrogrossular NMNH120555	31,44	21,4	0,17
28	Hypersthene NMNHC2368	51,32	4,89	26,09
29	Illite GDS4 (Marblehead)	51,62	23,96	3,83
30	Illite IMt-1	52,1	21,9	2,39
31	Kaolinite CM5	44,4	37,9	0,11
32	Kaolinite CM7	44,6	36,4	0,14
33	Kaolinite CM9	47,1	37,4	0,16
34	Kaolinite KGa-1 (wxl)	45	38	0,02
35	Kaolinite KGa-2 (pxl)	44,2	37,2	0,04
36	Lizardite NMNHR4687	40,97	0	40,43
37	Marialite NMNH126018-2	59,88	20,59	0
38	Meionite WS701	49,6	25,45	0,06
39	Mizzonite NMNH113775	49,6	25,43	0,03
40	Montmorillonite CM20	52	18,36	3,32
41	Montmorillonite CM26	63,4	18,2	2,26
42	Montmorillonite CM27	57,6	20,9	2,66
43	Montmorillonite+Illite CM37	46,5	22,7	2,74
44	Montmorillonite+Illite CM42	54,8	21	3,4
45	Montmorillonite SAz-1	60,4	17,6	6,46
46	Montmorillonite SCa-2	52,4	15	6,68
47	Montmorillonite STx-1	69,6	16,3	3,56
48	Montmorillonite SWy-1	62,9	19,3	2,8
49	Muscovite GDS108	44	35	0,57
50	Nontronite NG-1	80	2	0,42
51	Nontronite SWa-1	74,6	7,69	3,32
52	Olivine GDS70 Fo89	41,09	0	49,29
53	Olivine GDS71 Fo91	40,06	0	50,7
54	Olivine KI3005 Fo11	30,11	0	4,42
55	Olivine KI3054 Fo66	36,3	0	32,62
56	Olivine KI3188 Fo51	34,34	0	23,8
57	Olivine KI3189 Fo60	35,47	0	29,49
58	Palygorskite CM46a	56	10,6	8,56
59	Pectolite NMNH94865	53,37	0,03	0,03
60	Phlogopite GDS20	40,3	14,3	26,4
61	Phlogopite WS496	43,015	11,6	29,62
62	Quartz HS117 Aventurine	100	0	0
63	Rhodonite NMNHC6148	46,3	0,05	0,41
64	Richterite NMNH150800	54,87	1,97	22,92
65	Saponite SapCa-1	51,9	3,66	0,88
66	Sepiolite SepNev-1.AcB	50,9	0,45	22,3
67	Talc HS21	60,47	0,12	30,29
68	Talc WS659	58,38	0,18	31,9
69	Thuringite SMR-15	24,7	21,1	16,8
70	Tremolite NMNH117611	54,6	1,88	23,13
71	Vermiculite VTx-1.a	19,5	1,53	27,7

I dati sono stati estratti dalla directory ASCIIData/ASCIIdata_splib07a/ChapterM_Minerals selezionando gli spettri denominati BECKb_AREF.
Un esempio di file e'

---------------------------------------
 splib07a Record=120: Actinolite HS116.3B           BECKb AREF
-1.2300000e+034
 3.3700544e-002
 3.5717472e-002
 3.5481069e-002
 3.5344660e-002
 3.4786128e-002
 3.3701397e-002
 3.3403333e-002
 3.3196956e-002
 3.3779550e-002
 3.2682978e-002
 3.3049587e-002
 3.4390874e-002
 3.4718834e-002
 3.6168687e-002
...............................................
---------------------------------------

Si iniziano quindi a preparare i dati per inserirli in un array compatibile con NumPy,formato idoneo al successivo utilizzo con Tensorflow

per prima cosa si toglie la prima riga di intestazione con sed

for f in *.txt ; do sed -i '1d' $f; done

viene quindi eseguito uno script python che legge i dati riga per riga e restituisce una stringa lineare con i dati separati da un punto e virgola

converti.py
=================================
with open("1.txt",'r') as f:
while True:
buf = f.readline()
if not buf:
break
print (buf.strip()),
print ';',
=================================

for f in *.txt ; do python converti.py > a$f; done

i nuovi file avranno il carattere a anteposto al precedente nome file

for f in *.txt ; do python converti.py > a$f; done

si tolgono quindi gli spazi bianchi

for f in a*.txt ; do cat $f  | tr - d "[:space:]" > b$f ; done

i nuovi file avranno il carattere b anteposto al precedente nome file

siamo quasi arrivati alla fine. Ogni file dello spettro e' costituito da un riga, si deve quindi creare un unico file in cui ogni riga rappresenta uno spettro

for f in ba*.txt; do (cat "${f}"; echo) >> completo.txt; done
from numpy import genfromtxt
data = genfromtxt('completo.txt', delimiter=',')

Da notare bene che tensorflow non funziona su macchine con processori non recenti perche' vengono usate delle istruzioni cpu recenti (AVX and AVX2 instruction sets)

Per installare Tensorflow su Debian con virtualenv si usa la sequenza (ripresa da questo sito)

si installa python3

apt-get install python3-venv python3 

mkdir spectra

cd spectra

python3 -m venv venv

source venv/bin/activate

pip install --upgrade pip

pip install --upgrade tensorflow

per verificare l'installazione si usa 

python -c 'import tensorflow as tf; print(tf.__version__)'

per terminare virtualenv si digita

deactivate

A questo punto ho diviso il file di 71 spettri in una serie di train di 60 spettri ed una serie di test di 11 spettri (x_train,x_test) . Per quanto riguarda le concentrazioni il file delle concentrazioni (y_train, y_test) i valori di concentrazioni sono stati divisi in 10 classi con la seguente regola

0-9.9% : classe 0
10-19.9% : classe  1
20-29.9% : classe  2
30-39.9% : classe  3
40-49.9% : classe  4
50-59.9% : classe  5
60-69.9% : classe  6
70-79.9% : classe  7
80-89.9% : classe  8
90-100% : classe  9

per prova ho usato le concentrazioni di SiO2 (uno dei parametri piu' difficili da determinare da uno spettro IR nel rilevamento iperspettrale)

Prima di procedere i valori No data contenuti negli spettri e indicati dal valore -1.2300000e+034 sono stati convertiti in 0

provando con un rete neurale con delle impostazioni  non ottimizzate

==============================================================
import numpy as np
from numpy import genfromtxt

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

x_train = genfromtxt("x_train.txt",delimiter=';',usecols=np.arange(0,479))
x_test = genfromtxt("x_test.txt",delimiter=';',usecols=np.arange(0,479))

y_train = genfromtxt("y_train.txt",delimiter=';',usecols=np.arange(0,1))
y_test = genfromtxt("y_test.txt",delimiter=';',usecols=np.arange(0,1))

y_train = y_train.transpose()

#print (x_train)


y_train = y_train.astype(int)
y_test = y_test.astype(int)
#print (y_train)

print ("====================")
print ("X trains" + str(x_train.shape))
print ("Y trains" + str(y_train.shape))
print ("X test" + str(x_test.shape))
print ("Y test" + str(y_test.shape))
print ("====================")

model = tf.keras.Sequential()
model.add(layers.Dense(128,activation='relu'))
model.add(layers.Dropout(0.2))
model.add(layers.Dense(10,activation='softmax'))

model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])

model.fit(x_train,y_train,epochs=16)
model.evaluate(x_test,y_test,verbose=2)
==============================================================

il risultato e' il seguente

====================

X trains(60, 479)

Y trains(60,)

X test(11, 479)

Y test(11,)

====================

2019-11-15 13:35:58.075622: I tensorflow/core/platform/cpu_feature_guard.cc:142] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA

2019-11-15 13:35:58.099810: I tensorflow/core/platform/profile_utils/cpu_utils.cc:94] CPU Frequency: 2294770000 Hz

2019-11-15 13:35:58.100500: I tensorflow/compiler/xla/service/service.cc:168] XLA service 0x38bfc90 executing computations on platform Host. Devices:

2019-11-15 13:35:58.100551: I tensorflow/compiler/xla/service/service.cc:175]   StreamExecutor device (0): Host, Default Version

Train on 60 samples

Epoch 1/16

60/60 [==============================] - 0s 8ms/sample - loss: 2.2551 - accuracy: 0.1000

Epoch 2/16

60/60 [==============================] - 0s 85us/sample - loss: 1.7444 - accuracy: 0.3833

Epoch 3/16

60/60 [==============================] - 0s 90us/sample - loss: 1.6373 - accuracy: 0.3333

Epoch 4/16

60/60 [==============================] - 0s 83us/sample - loss: 1.6465 - accuracy: 0.3167

Epoch 5/16

60/60 [==============================] - 0s 96us/sample - loss: 1.5436 - accuracy: 0.3833

Epoch 6/16

60/60 [==============================] - 0s 127us/sample - loss: 1.6167 - accuracy: 0.3667

Epoch 7/16

60/60 [==============================] - 0s 92us/sample - loss: 1.4574 - accuracy: 0.3833

Epoch 8/16

60/60 [==============================] - 0s 100us/sample - loss: 1.5219 - accuracy: 0.3500

Epoch 9/16

60/60 [==============================] - 0s 81us/sample - loss: 1.4713 - accuracy: 0.4000

Epoch 10/16

60/60 [==============================] - 0s 81us/sample - loss: 1.4284 - accuracy: 0.3500

Epoch 11/16

60/60 [==============================] - 0s 105us/sample - loss: 1.4529 - accuracy: 0.4167

Epoch 12/16

60/60 [==============================] - 0s 107us/sample - loss: 1.3913 - accuracy: 0.4167

Epoch 13/16

60/60 [==============================] - 0s 92us/sample - loss: 1.4574 - accuracy: 0.4000

Epoch 14/16

60/60 [==============================] - 0s 82us/sample - loss: 1.4370 - accuracy: 0.3500

Epoch 15/16

60/60 [==============================] - 0s 80us/sample - loss: 1.4666 - accuracy: 0.3667

Epoch 16/16

60/60 [==============================] - 0s 88us/sample - loss: 1.3726 - accuracy: 0.4500

11/1 - 0s - loss: 3.1148 - accuracy: 0.0000e+00

Impiegando i dati di concentrazione di Mg0 le cose migliorano

60/60 [==============================] - 1s 9ms/sample - loss: 1.8941 - accuracy: 0.3833
Epoch 2/16
60/60 [==============================] - 0s 194us/sample - loss: 1.4062 - accuracy: 0.6500
Epoch 3/16
60/60 [==============================] - 0s 167us/sample - loss: 1.1572 - accuracy: 0.6500
Epoch 4/16
60/60 [==============================] - 0s 187us/sample - loss: 1.1490 - accuracy: 0.6333
Epoch 5/16
60/60 [==============================] - 0s 173us/sample - loss: 1.0612 - accuracy: 0.6333
Epoch 6/16
60/60 [==============================] - 0s 195us/sample - loss: 1.0615 - accuracy: 0.6500
Epoch 7/16
60/60 [==============================] - 0s 193us/sample - loss: 1.0023 - accuracy: 0.6333
Epoch 8/16
60/60 [==============================] - 0s 164us/sample - loss: 1.0067 - accuracy: 0.6667
Epoch 9/16
60/60 [==============================] - 0s 221us/sample - loss: 0.9609 - accuracy: 0.6667
Epoch 10/16
60/60 [==============================] - 0s 185us/sample - loss: 0.9922 - accuracy: 0.6333
Epoch 11/16
60/60 [==============================] - 0s 163us/sample - loss: 0.9188 - accuracy: 0.6333
Epoch 12/16
60/60 [==============================] - 0s 234us/sample - loss: 0.9704 - accuracy: 0.6333
Epoch 13/16
60/60 [==============================] - 0s 176us/sample - loss: 0.9234 - accuracy: 0.6833
Epoch 14/16
60/60 [==============================] - 0s 202us/sample - loss: 0.9051 - accuracy: 0.6833
Epoch 15/16
60/60 [==============================] - 0s 181us/sample - loss: 0.8635 - accuracy: 0.7167
Epoch 16/16
60/60 [==============================] - 0s 171us/sample - loss: 0.8449 - accuracy: 0.7000
11/1 - 0s - loss: 2.3372 - accuracy: 0.2727