diff --git a/COMPTE_RENDU.md b/COMPTE_RENDU.md
index 93e12f7..fb772d3 100644
--- a/COMPTE_RENDU.md
+++ b/COMPTE_RENDU.md
@@ -1,10 +1,10 @@
 # Compte rendu
 
-### 22 Avril 2022 [b30bedd](https://github.com/julienChemillier/TIPE/commit/b30bedd375e23ec7c2e5b10acf397a10885d8b5e)
-Le réseau minimise la fonction d'erreur (différence entre sortie voulue et obtenue).  
-Cela donne comme résultat une précision de 10.2% en moyenne soit à peine mieux qu'aléatoire.  
+### **22 Avril 2022** [b30bedd](https://github.com/julienChemillier/TIPE/commit/b30bedd375e23ec7c2e5b10acf397a10885d8b5e)
+Le réseau minimise la fonction d'erreur (différence entre sortie voulue et obtenue).
+Cela donne comme résultat une précision de 10.2% en moyenne soit à peine mieux qu'aléatoire.
 Chaque image renvoie les mêmes poids sur la dernière couche.
-Voici un tableau comparant la fréquence d'apparition de chaque chiffre et l'activation associée sur la dernière couche :  
+Voici un tableau comparant la fréquence d'apparition de chaque chiffre et l'activation associée sur la dernière couche :
 
 | Chiffre | Nombre d'occurences dans le set d'entraînement | Activation du neurone sortant | Rapport |
 | --- | --- | --- | --- |
@@ -18,3 +18,22 @@ Voici un tableau comparant la fréquence d'apparition de chaque chiffre et l'act
 | 7 | 25060 | 0.499134 | 50206 |
 | 8 | 23404 | 0.512515 | 45665 |
 | 9 | 23796 | 0.556504 | 42759 |
+
+<br/>
+<br/>
+<br/>
+
+### **25 Avril 2022** [698e72f](https://github.com/julienChemillier/TIPE/commit/698e72f56ed93aa6f5d9c81912ee98461f534410)
+Le réseau donne des probabilités dont la somme est de 1 (grâce à softmax).
+Un problème d'overfitting (sur-ajustement) apparait, résultant à de mauvais résultats sur des nouvelles données.
+Plus le réseau contient de couches, plus sa convergence vers des probabilités convenables est longue.
+Voici un tableau comparant les exactitudes des différentes époques et les dimensions du réseau sur les 60 000 images (train) :
+
+
+| Dimensions | Epoque  0  | Epoque  1  | Epoque  2  | Epoque  3  | Epoque  4  | Epoque  5  | Epoque  6  | Epoque  7  | Epoque  8  | Epoque  9  | Epoque  10  | Epoque  11  | Epoque  12  | Epoque  13  | Epoque  14  | Epoque  15  | Epoque  16  | Epoque  17  | Epoque  18  | Epoque  19  | Epoque  20  | Epoque 1 nouveau dataset (t10k) |
+| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | ------ |
+| 784x10 | 10.5% |15.4% | 26.6% | 38.5% | 50.2% | 55.3% | 59.8% | 63.0% | 65.9% | 68.1% | 70.0% | 71.5% | 72.9% | 74.0% | 74.9% | 75.8% | 76.6% | 77.3% | 78.0% | 78.5% | 79.0% | 80.0% |
+| 784x16x10 | 10.9% | 14.7% | 18.3% | 21.9% | 24.7% | 26.9% | 28.8% | 30.2% | 31.4% | 32.5% | 33.9% | 35.1% | 36.2% | 37.2% | 38.0% | 38.7% | 39.5% | 40.1% | 40.6% | 41.1% | 41.5% | 42.8% |
+| 784x16x16x10 | 9.1% | 9.5% | 10.8% | 12.9% | 14.4% | 15.4% | 16.1% | 16.6% | 17.1% | 17.6% | 18.1% | 18.6% | 19.1% | 19.6% | 20.0% | 20.4% | 20.8% | 21.2% | 21.6% | 21.9% | 22.2% | 23.0% |
+| 784x16x16x16x10 | 11.0% | 11.0% | 11.1% | 11.2% | 11.1% | 11.2% | 11.2% | 11.2% | 11.3% | 11.6% | 11.8% | 12.3% | 12.9% | 13.5% | 14.0% | 14.5% | 15.0% | 15.3% | 15.6% | 15.9% | 16.1% | 16.1% |
+
diff --git a/src/mnist/main.c b/src/mnist/main.c
index 6538b2a..b559d54 100644
--- a/src/mnist/main.c
+++ b/src/mnist/main.c
@@ -26,59 +26,59 @@ void help(char* call) {
     printf("OPTIONS:\n");
     printf("\ttrain:\n");
     printf("\t\t--batches | -b [int]\tNombre de batches.\n");
-    printf("\t\t--couches | -c [int]\tNombres de couches.\n");
-    printf("\t\t--neurons | -n [int]\tNombre de neurones sur la première couche.\n");
+    printf("\t\t--layers | -c [int]\tNombres de layers.\n");
+    printf("\t\t--neurons | -n [int]\tNombre de neurons sur la première layer.\n");
     printf("\t\t--recover | -r [FILENAME]\tRécupérer depuis un modèle existant.\n");
     printf("\t\t--images  | -i [FILENAME]\tFichier contenant les images.\n");
     printf("\t\t--labels  | -l [FILENAME]\tFichier contenant les labels.\n");
-    printf("\t\t--out     | -o [FILENAME]\tFichier où écrire le réseau de neurones.\n");
+    printf("\t\t--out     | -o [FILENAME]\tFichier où écrire le réseau de neurons.\n");
     printf("\trecognize:\n");
-    printf("\t\t--modele  | -m [FILENAME]\tFichier contenant le réseau de neurones.\n");
+    printf("\t\t--modele  | -m [FILENAME]\tFichier contenant le réseau de neurons.\n");
     printf("\t\t--in      | -i [FILENAME]\tFichier contenant les images à reconnaître.\n");
     printf("\t\t--out     | -o (text|json)\tFormat de sortie.\n");
     printf("\ttest:\n");
     printf("\t\t--images  | -i [FILENAME]\tFichier contenant les images.\n");
     printf("\t\t--labels  | -l [FILENAME]\tFichier contenant les labels.\n");
-    printf("\t\t--modele  | -m [FILENAME]\tFichier contenant le réseau de neurones.\n");
+    printf("\t\t--modele  | -m [FILENAME]\tFichier contenant le réseau de neurons.\n");
 }
 
 
-void ecrire_image_dans_reseau(int** image, Reseau* reseau, int height, int width) {
+void write_image_in_network(int** image, Network* network, int height, int width) {
     for (int i=0; i < height; i++) {
         for (int j=0; j < width; j++) {
-            reseau->couches[0]->neurones[i*height+j]->z = (float)image[i][j] / 255.0f;
+            network->layers[0]->neurons[i*height+j]->z = (float)image[i][j] / 255.0f;
         }
     }
 }
 
 
-void train(int batches, int couches, int neurons, char* recovery, char* image_file, char* label_file, char* out) {
+void train(int batches, int layers, int neurons, char* recovery, char* image_file, char* label_file, char* out) {
     // Entraînement du réseau sur le set de données MNIST
-    Reseau* reseau;
+    Network* network;
 
-    //int* repartition = malloc(sizeof(int)*couches);
-    int nb_neurones_der = 10;
-    int repartition[3] = {784, 32, nb_neurones_der};
+    //int* repartition = malloc(sizeof(int)*layers);
+    int nb_neurons_der = 10;
+    int repartition[3] = {784, 32, nb_neurons_der};
 
-    float* sortie = malloc(sizeof(float)*nb_neurones_der);
-    int* sortie_voulue;
+    float* sortie = malloc(sizeof(float)*nb_neurons_der);
+    int* desired_output;
     float accuracy;
-    //generer_repartition(couches, repartition);
+    //generer_repartition(layers, repartition);
 
     /*
     * On repart d'un réseau déjà créée stocké dans un fichier
     * ou on repart de zéro si aucune backup n'est fournie
     * */
     if (! recovery) {
-        reseau = malloc(sizeof(Reseau));
-        creation_du_reseau_neuronal(reseau, repartition, couches);
-        initialisation_du_reseau_neuronal(reseau);
+        network = malloc(sizeof(Network));
+        network_creation(network, repartition, layers);
+        network_initialisation(network);
     } else {
-        reseau = lire_reseau(recovery);
+        network = read_network(recovery);
         printf("Backup restaurée.\n");
     }
 
-    Couche* der_couche = reseau->couches[reseau->nb_couches-1];
+    Layer* der_layer = network->layers[network->nb_layers-1];
 
     // Chargement des images du set de données MNIST
     int* parameters = read_mnist_images_parameters(image_file);
@@ -96,29 +96,29 @@ void train(int batches, int couches, int neurons, char* recovery, char* image_fi
         for (int j=0; j < nb_images; j++) {
             printf("\rBatch [%d/%d]\tImage [%d/%d]",i, batches, j, nb_images);
 
-            ecrire_image_dans_reseau(images[j], reseau, height, width);
-            sortie_voulue = creation_de_la_sortie_voulue(reseau, labels[j]);
-            forward_propagation(reseau);
-            backward_propagation(reseau, sortie_voulue);
+            write_image_in_network(images[j], network, height, width);
+            desired_output = desired_output_creation(network, labels[j]);
+            forward_propagation(network);
+            backward_propagation(network, desired_output);
 
-            for (int k=0; k < nb_neurones_der; k++) {
-                sortie[k] = der_couche->neurones[k]->z;
+            for (int k=0; k < nb_neurons_der; k++) {
+                sortie[k] = der_layer->neurons[k]->z;
             }
-            if (indice_max(sortie, nb_neurones_der) == labels[j]) {
+            if (indice_max(sortie, nb_neurons_der) == labels[j]) {
                 accuracy += 1. / (float)nb_images;
             }
-            free(sortie_voulue);
+            free(desired_output);
         }
-        modification_du_reseau_neuronal(reseau, nb_images);
+        network_modification(network, nb_images);
         printf("\rBatch [%d/%d]\tImage [%d/%d]\tAccuracy: %0.1f%%\n",i, batches, nb_images, nb_images, accuracy*100);
-        ecrire_reseau(out, reseau);
+        write_network(out, network);
     }
-    suppression_du_reseau_neuronal(reseau);
+    deletion_of_network(network);
 }
 
 float** recognize(char* modele, char* entree) {
-    Reseau* reseau = lire_reseau(modele);
-    Couche* derniere_couche = reseau->couches[reseau->nb_couches-1];
+    Network* network = read_network(modele);
+    Layer* derniere_layer = network->layers[network->nb_layers-1];
 
     int* parameters = read_mnist_images_parameters(entree);
     int nb_images = parameters[0];
@@ -129,25 +129,25 @@ float** recognize(char* modele, char* entree) {
     float** results = malloc(sizeof(float*)*nb_images);
 
     for (int i=0; i < nb_images; i++) {
-        results[i] = malloc(sizeof(float)*derniere_couche->nb_neurones);
+        results[i] = malloc(sizeof(float)*derniere_layer->nb_neurons);
 
-        ecrire_image_dans_reseau(images[i], reseau, height, width);
-        forward_propagation(reseau);
+        write_image_in_network(images[i], network, height, width);
+        forward_propagation(network);
 
-        for (int j=0; j < derniere_couche->nb_neurones; j++) {
-            results[i][j] = derniere_couche->neurones[j]->z;
+        for (int j=0; j < derniere_layer->nb_neurons; j++) {
+            results[i][j] = derniere_layer->neurons[j]->z;
         }
     }
-    suppression_du_reseau_neuronal(reseau);
+    deletion_of_network(network);
 
     return results;
 }
 
 void print_recognize(char* modele, char* entree, char* sortie) {
-    Reseau* reseau = lire_reseau(modele);
-    int nb_der_couche = reseau->couches[reseau->nb_couches-1]->nb_neurones;
+    Network* network = read_network(modele);
+    int nb_der_layer = network->layers[network->nb_layers-1]->nb_neurons;
 
-    suppression_du_reseau_neuronal(reseau);
+    deletion_of_network(network);
 
     int* parameters = read_mnist_images_parameters(entree);
     int nb_images = parameters[0];
@@ -163,11 +163,11 @@ void print_recognize(char* modele, char* entree, char* sortie) {
         else
             printf("\"%d\" : [", i);
 
-        for (int j=0; j < nb_der_couche; j++) {
+        for (int j=0; j < nb_der_layer; j++) {
             if (! strcmp(sortie, "json")) {
                 printf("%f", resultats[i][j]);
 
-                if (j+1 < nb_der_couche) {
+                if (j+1 < nb_der_layer) {
                     printf(", ");
                 }
             } else
@@ -187,10 +187,10 @@ void print_recognize(char* modele, char* entree, char* sortie) {
 }
 
 void test(char* modele, char* fichier_images, char* fichier_labels) {
-    Reseau* reseau = lire_reseau(modele);
-    int nb_der_couche = reseau->couches[reseau->nb_couches-1]->nb_neurones;
+    Network* network = read_network(modele);
+    int nb_der_layer = network->layers[network->nb_layers-1]->nb_neurons;
 
-    suppression_du_reseau_neuronal(reseau);
+    deletion_of_network(network);
 
     int* parameters = read_mnist_images_parameters(fichier_images);
     int nb_images = parameters[0];
@@ -200,7 +200,7 @@ void test(char* modele, char* fichier_images, char* fichier_labels) {
     float accuracy;
 
     for (int i=0; i < nb_images; i++) {
-        if (indice_max(resultats[i], nb_der_couche) == labels[i]) {
+        if (indice_max(resultats[i], nb_der_layer) == labels[i]) {
                 accuracy += 1. / (float)nb_images;
         }
     }
@@ -216,7 +216,7 @@ int main(int argc, char* argv[]) {
     }
     if (! strcmp(argv[1], "train")) {
         int batches = 100;
-        int couches = 3;
+        int layers = 3;
         int neurons = 784;
         char* images = NULL;
         char* labels = NULL;
@@ -229,8 +229,8 @@ int main(int argc, char* argv[]) {
                 batches = strtol(argv[i+1], NULL, 10);
                 i += 2;
             } else
-                if ((! strcmp(argv[i], "--couches"))||(! strcmp(argv[i], "-c"))) {
-                couches = strtol(argv[i+1], NULL, 10);
+                if ((! strcmp(argv[i], "--layers"))||(! strcmp(argv[i], "-c"))) {
+                layers = strtol(argv[i+1], NULL, 10);
                 i += 2;
             } else if ((! strcmp(argv[i], "--neurons"))||(! strcmp(argv[i], "-n"))) {
                 neurons = strtol(argv[i+1], NULL, 10);
@@ -265,7 +265,7 @@ int main(int argc, char* argv[]) {
             out = "out.bin";
         }
         // Entraînement en sourçant neural_network.c
-        train(batches, couches, neurons, recovery, images, labels, out);
+        train(batches, layers, neurons, recovery, images, labels, out);
         exit(0);
     }
     if (! strcmp(argv[1], "recognize")) {
diff --git a/src/mnist/neural_network.c b/src/mnist/neural_network.c
index 8249d02..f76d07a 100644
--- a/src/mnist/neural_network.c
+++ b/src/mnist/neural_network.c
@@ -9,8 +9,8 @@
 #include "struct/neuron.h"
 
 // Définit le taux d'apprentissage du réseau neuronal, donc la rapidité d'adaptation du modèle (compris entre 0 et 1)
-//Cette valeur peut évoluer au fur et à mesure des époques (linéaire c'est mieux)
-#define TAUX_APPRENTISSAGE 2.
+// Cette valeur peut évoluer au fur et à mesure des époques (linéaire c'est mieux)
+#define LEARNING_RATE 0.5
 //Retourne un nombre aléatoire entre 0 et 1
 #define RAND_DOUBLE() ((double)rand())/((double)RAND_MAX)
 //Coefficient leaking ReLU
@@ -30,7 +30,7 @@ float sigmoid(float x){
     return 1/(1 + exp(-x));
 }
 
-float sigmoid_derivee(float x){
+float sigmoid_derivative(float x){
     float tmp = exp(-x);
     return tmp/((1+tmp)*(1+tmp));
 }
@@ -41,32 +41,32 @@ float leaky_ReLU(float x){
     return COEFF_LEAKY_RELU;
 }
 
-float leaky_ReLU_derivee(float x){
+float leaky_ReLU_derivative(float x){
     if (x > 0)
         return 1;
     return COEFF_LEAKY_RELU;
 }
 
-void creation_du_reseau_neuronal(Reseau* reseau, int* neurones_par_couche, int nb_couches) {
+void network_creation(Network* network, int* neurons_per_layer, int nb_layers) {
     /* Créé et alloue de la mémoire aux différentes variables dans le réseau neuronal*/
-    Couche* couche;
+    Layer* layer;
 
-    reseau->nb_couches = nb_couches;
-    reseau->couches = (Couche**)malloc(sizeof(Couche*)*nb_couches);
+    network->nb_layers = nb_layers;
+    network->layers = (Layer**)malloc(sizeof(Layer*)*nb_layers);
 
-    for (int i=0; i < nb_couches; i++) {
-        reseau->couches[i] = (Couche*)malloc(sizeof(Couche));
-        couche = reseau->couches[i];
-        couche->nb_neurones = neurones_par_couche[i]; // nombre de neurones pour la couche
-        couche->neurones = (Neurone**)malloc(sizeof(Neurone*)*reseau->couches[i]->nb_neurones); // Création des différents neurones dans la couche
+    for (int i=0; i < nb_layers; i++) {
+        network->layers[i] = (Layer*)malloc(sizeof(Layer));
+        layer = network->layers[i];
+        layer->nb_neurons = neurons_per_layer[i]; // Nombre de neurones pour la layer
+        layer->neurons = (Neuron**)malloc(sizeof(Neuron*)*network->layers[i]->nb_neurons); // Création des différents neurones dans la couche
 
-        for (int j=0; j < couche->nb_neurones; j++) {
-            couche->neurones[j] = (Neurone*)malloc(sizeof(Neurone));
+        for (int j=0; j < layer->nb_neurons; j++) {
+            layer->neurons[j] = (Neuron*)malloc(sizeof(Neuron));
 
-            if (i != reseau->nb_couches-1) { // On exclut la dernière couche dont les neurones ne contiennent pas de poids sortants
-                couche->neurones[j]->poids_sortants = (float*)malloc(sizeof(float)*neurones_par_couche[i+1]);// Création des poids sortants du neurone
-                couche->neurones[j]->d_poids_sortants = (float*)malloc(sizeof(float)*neurones_par_couche[i+1]);
-                couche->neurones[j]->last_d_poids_sortants = (float*)malloc(sizeof(float)*neurones_par_couche[i+1]);
+            if (i != network->nb_layers-1) { // On exclut la dernière couche dont les neurones ne contiennent pas de poids sortants
+                layer->neurons[j]->weights = (float*)malloc(sizeof(float)*neurons_per_layer[i+1]);// Création des poids sortants du neurone
+                layer->neurons[j]->back_weights = (float*)malloc(sizeof(float)*neurons_per_layer[i+1]);
+                layer->neurons[j]->last_back_weights = (float*)malloc(sizeof(float)*neurons_per_layer[i+1]);
             }
         }
     }
@@ -75,120 +75,130 @@ void creation_du_reseau_neuronal(Reseau* reseau, int* neurones_par_couche, int n
 
 
 
-void suppression_du_reseau_neuronal(Reseau* reseau) {
+void deletion_of_network(Network* network) {
     /* Libère l'espace mémoire alloué aux différentes variables dans la fonction
-    'creation_du_reseau' */
+    'creation_du_network' */
+    Layer* layer;
+    Neuron* neuron;
 
-    for (int i=0; i<reseau->nb_couches; i++) {
-        if (i!=reseau->nb_couches-1) { // On exclut la dernière couche dont les neurones ne contiennent pas de poids sortants
-            for (int j=0; j<reseau->couches[i]->nb_neurones; j++) {
-                free(reseau->couches[i]->neurones[j]->poids_sortants);
-                free(reseau->couches[i]->neurones[j]->d_poids_sortants);
+    for (int i=0; i<network->nb_layers; i++) {
+        layer = network->layers[i];
+        if (i!=network->nb_layers-1) { // On exclut la dernière couche dont les neurons ne contiennent pas de poids sortants
+            for (int j=0; j<network->layers[i]->nb_neurons; j++) {
+                neuron = layer->neurons[j];
+                free(neuron->weights);
+                free(neuron->back_weights);
             }
         }
-        free(reseau->couches[i]->neurones); // On libère enfin la liste des neurones de la couche
+        free(layer->neurons); // On libère enfin la liste des neurones de la couche
     }
-    free(reseau); // Pour finir, on libère le réseau neronal contenant la liste des couches
+    free(network); // Pour finir, on libère le réseau neuronal contenant la liste des couches
 }
 
 
 
 
-void forward_propagation(Reseau* reseau) {
+void forward_propagation(Network* network) {
     /* Effectue une propagation en avant du réseau neuronal lorsque les données 
     on été insérées dans la première couche. Le résultat de la propagation se 
     trouve dans la dernière couche */
-    Couche* couche; // Couche actuelle
-    Couche* pre_couche; // Couche précédente
+    Layer* layer; // Couche actuelle
+    Layer* pre_layer; // Couche précédente
+    Neuron* neuron;
     float sum;
     float max_z;
 
-    for (int i=1; i < reseau->nb_couches; i++) { // La première couche contient déjà des valeurs
+    for (int i=1; i < network->nb_layers; i++) { // La première couche contient déjà des valeurs
         sum = 0;
         max_z = INT_MIN;
-        couche = reseau->couches[i];
-        pre_couche = reseau->couches[i-1];
+        layer = network->layers[i];
+        pre_layer = network->layers[i-1];
 
-        for (int j=0; j < couche->nb_neurones; j++) {
-            couche->neurones[j]->z = couche->neurones[j]->biais;
+        for (int j=0; j < layer->nb_neurons; j++) {
+            neuron = layer->neurons[j];
+            neuron->z = neuron->bias;
 
-            for (int k=0; k < pre_couche->nb_neurones; k++) {
-                couche->neurones[j]->z += pre_couche->neurones[k]->z * pre_couche->neurones[k]->poids_sortants[j];
+            for (int k=0; k < pre_layer->nb_neurons; k++) {
+                neuron->z += pre_layer->neurons[k]->z * pre_layer->neurons[k]->weights[j];
             }
 
-            if (i < reseau->nb_couches-1) { // Pour toutes les couches sauf la dernière on utilise la fonction leaky_ReLU (a*z si z<0,  z sinon)
-                couche->neurones[j]->z = leaky_ReLU(couche->neurones[j]->z);  
-            } else { // Pour la dernière couche on utilise la fonction sigmoid permettant d'obtenir un résultat entre 0 et 1 à savoir une probabilité
-                max_z = max(max_z, couche->neurones[j]->z);
+            if (i < network->nb_layers-1) { // Pour toutes les couches sauf la dernière on utilise la fonction leaky_ReLU (a*z si z<0,  z sinon)
+                neuron->z = leaky_ReLU(neuron->z);  
+            } else { // Pour la dernière layer on utilise la fonction sigmoid permettant d'obtenir un résultat entre 0 et 1 à savoir une probabilité
+                max_z = max(max_z, neuron->z);
             }
         }
     }
-    int last_layer = reseau->nb_couches-1;
-    int size_last_layer = reseau->couches[last_layer]->nb_neurones;
+    layer = network->layers[network->nb_layers-1];
+    int size_last_layer = layer->nb_neurons;
+
     for (int j=0; j < size_last_layer; j++) {
-        reseau->couches[last_layer]->neurones[j]->z = exp(reseau->couches[last_layer]->neurones[j]->z - max_z);
-        sum += reseau->couches[last_layer]->neurones[j]->z;
+        neuron = layer->neurons[j];
+        neuron->z = exp(neuron->z - max_z);
+        sum += neuron->z;
     }
     for (int j=0; j < size_last_layer; j++) {
-        reseau->couches[last_layer]->neurones[j]->z = reseau->couches[last_layer]->neurones[j]->z / sum;
+        neuron = layer->neurons[j];
+        neuron->z = neuron->z / sum;
     }
 }
 
 
 
 
-int* creation_de_la_sortie_voulue(Reseau* reseau, int pos_nombre_voulu) {
+int* desired_output_creation(Network* network, int wanted_number) {
     /* Renvoie la liste des sorties voulues à partir du nombre
     de couches, de la liste du nombre de neurones par couche et de la
     position du résultat voulue, */
-    int nb_neurones = reseau->couches[reseau->nb_couches-1]->nb_neurones;
+    int nb_neurons = network->layers[network->nb_layers-1]->nb_neurons;
 
-    int* sortie_voulue = (int*)malloc(sizeof(int)*nb_neurones);
+    int* desired_output = (int*)malloc(sizeof(int)*nb_neurons);
 
-    for (int i=0; i < nb_neurones; i++) // On initialise toutes les sorties à 0 par défault
-        sortie_voulue[i] = 0;
+    for (int i=0; i < nb_neurons; i++) // On initialise toutes les sorties à 0 par défaut
+        desired_output[i] = 0;
 
-    sortie_voulue[pos_nombre_voulu] = 1; // Seule la sortie voulue vaut 1
-    return sortie_voulue;
+    desired_output[wanted_number] = 1; // Seule la sortie voulue vaut 1
+    return desired_output;
 }
 
 
 
-void backward_propagation(Reseau* reseau, int* sortie_voulue) {
+void backward_propagation(Network* network, int* desired_output) {
     /* Effectue une propagation en arrière du réseau neuronal */
-    Neurone* neurone;
-    Neurone* neurone2;
+    Neuron* neuron;
+    Neuron* neuron2;
     float changes;
     float tmp;
 
-    int i = reseau->nb_couches-2;
+    int i = network->nb_layers-2;
+    int neurons_nb = network->layers[i+1]->nb_neurons;
     // On commence par parcourir tous les neurones de la couche finale
-    for (int j=0; j < reseau->couches[i+1]->nb_neurones; j++) {
-        neurone = reseau->couches[i+1]->neurones[j];
-        tmp = (sortie_voulue[j]==1) ? neurone->z - 1 : neurone->z;
-        for (int k=0; k < reseau->couches[i]->nb_neurones; k++) {
-            reseau->couches[i]->neurones[k]->d_poids_sortants[j] += reseau->couches[i]->neurones[k]->z*tmp;
-            reseau->couches[i]->neurones[k]->last_d_poids_sortants[j] = reseau->couches[i]->neurones[k]->z*tmp;
-            //if (k==0)printf("\n %f ->%f", reseau->couches[i+1]->neurones[j]->z*tmp, tmp);
+    for (int j=0; j < network->layers[i+1]->nb_neurons; j++) {
+        neuron = network->layers[i+1]->neurons[j];
+        tmp = (desired_output[j]==1) ? neuron->z - 1 : neuron->z;
+        for (int k=0; k < network->layers[i]->nb_neurons; k++) {
+            neuron2 = network->layers[i]->neurons[k];
+            neuron2->back_weights[j] += neuron2->z*tmp;
+            neuron2->last_back_weights[j] = neuron2->z*tmp;
         }
-        neurone->d_biais += tmp;
-        //printf("\n%f", neurone->d_biais);
+        neuron->last_back_bias = tmp;
+        neuron->back_bias += tmp;
     }
-    i--;
-    for (; i >= 0; i--) {
-        for (int j=0; j < reseau->couches[i+1]->nb_neurones; j++) {
+    for (i--; i >= 0; i--) {
+        neurons_nb =  network->layers[i+1]->nb_neurons;
+        for (int j=0; j < neurons_nb; j++) {
+            neuron = network->layers[i+1]->neurons[j];
             changes = 0;
-            for (int k=0; k < reseau->couches[i+2]->nb_neurones; k++) {
-                //printf("Couche %d Neurone %d Poids %f\n", i+1, j, reseau->couches[i+1]->neurones[j]->poids_sortants[k]);
-                changes += (reseau->couches[i+1]->neurones[j]->poids_sortants[k]*reseau->couches[i+1]->neurones[j]->last_d_poids_sortants[k])/reseau->couches[i+1]->nb_neurones;
+            for (int k=0; k < network->layers[i+2]->nb_neurons; k++) {
+                changes += (neuron->weights[k]*neuron->last_back_weights[k])/neurons_nb;
             }
-            changes = changes*leaky_ReLU_derivee(reseau->couches[i+1]->neurones[j]->z);
-            reseau->couches[i+1]->neurones[j]->d_biais += changes;
-            reseau->couches[i+1]->neurones[j]->last_d_biais = changes;
-            for (int l=0; l < reseau->couches[i]->nb_neurones; l++){
-                //printf("%f\n", changes);
-                reseau->couches[i]->neurones[l]->d_poids_sortants[j] += reseau->couches[i]->neurones[l]->poids_sortants[j]*changes;
-                reseau->couches[i]->neurones[l]->last_d_poids_sortants[j] = reseau->couches[i]->neurones[l]->poids_sortants[j]*changes;
+            changes = changes*leaky_ReLU_derivative(neuron->z);
+            neuron->back_bias += changes;
+            neuron->last_back_bias = changes;
+            for (int l=0; l < network->layers[i]->nb_neurons; l++){
+                neuron2 = network->layers[i]->neurons[l];
+                neuron2->back_weights[j] += neuron2->weights[j]*changes;
+                neuron2->last_back_weights[j] = neuron2->weights[j]*changes;
             }
         }
     }
@@ -197,37 +207,37 @@ void backward_propagation(Reseau* reseau, int* sortie_voulue) {
 
 
 
-void modification_du_reseau_neuronal(Reseau* reseau, uint32_t nb_modifs) {
+void network_modification(Network* network, uint32_t nb_modifs) {
     /* Modifie les poids et le biais des neurones du réseau neuronal à partir
     du nombre de couches et de la liste du nombre de neurone par couche */
-    Neurone* neurone;
+    Neuron* neuron;
 
-    for (int i=0; i < reseau->nb_couches; i++) { // on exclut la dernière couche
-        for (int j=0; j < reseau->couches[i]->nb_neurones; j++) {
-            neurone = reseau->couches[i]->neurones[j];
-            if (neurone->biais != 0 && PRINT_BIAIS)
-                printf("C %d\tN %d\tb: %f      \tDb: %f\n", i, j, neurone->biais,  (TAUX_APPRENTISSAGE/nb_modifs) * neurone->d_biais);
-            neurone->biais -= (TAUX_APPRENTISSAGE/nb_modifs) * neurone->d_biais; // On modifie le biais du neurone à partir des données de la propagation en arrière
-            neurone->d_biais = 0;
+    for (int i=0; i < network->nb_layers; i++) { // on exclut la dernière couche
+        for (int j=0; j < network->layers[i]->nb_neurons; j++) {
+            neuron = network->layers[i]->neurons[j];
+            if (neuron->bias != 0 && PRINT_BIAIS)
+                printf("C %d\tN %d\tb: %f      \tDb: %f\n", i, j, neuron->bias,  (LEARNING_RATE/nb_modifs) * neuron->back_bias);
+            neuron->bias -= (LEARNING_RATE/nb_modifs) * neuron->back_bias; // On modifie le biais du neurone à partir des données de la propagation en arrière
+            neuron->back_bias = 0;
 
-            if (neurone->biais > MAX_RESEAU)
-                neurone->biais = MAX_RESEAU;
-            else if (neurone->biais < -MAX_RESEAU)
-                neurone->biais = -MAX_RESEAU;
+            if (neuron->bias > MAX_RESEAU)
+                neuron->bias = MAX_RESEAU;
+            else if (neuron->bias < -MAX_RESEAU)
+                neuron->bias = -MAX_RESEAU;
 
-            if (i!=reseau->nb_couches-1) {
-            for (int k=0; k < reseau->couches[i+1]->nb_neurones; k++) {
-                if (neurone->poids_sortants[k] != 0 && PRINT_POIDS)
-                    printf("C %d\tN %d -> %d\tp: %f  \tDp: %f\n", i, j, k, neurone->poids_sortants[k],  (TAUX_APPRENTISSAGE/nb_modifs) * neurone->d_poids_sortants[k]);
-                neurone->poids_sortants[k] -= (TAUX_APPRENTISSAGE/nb_modifs) * neurone->d_poids_sortants[k]; // On modifie le poids du neurone à partir des données de la propagation en arrière
-                neurone->d_poids_sortants[k] = 0;
+            if (i!=network->nb_layers-1) {
+            for (int k=0; k < network->layers[i+1]->nb_neurons; k++) {
+                if (neuron->weights[k] != 0 && PRINT_POIDS)
+                    printf("C %d\tN %d -> %d\tp: %f  \tDp: %f\n", i, j, k, neuron->weights[k],  (LEARNING_RATE/nb_modifs) * neuron->back_weights[k]);
+                neuron->weights[k] -= (LEARNING_RATE/nb_modifs) * neuron->back_weights[k]; // On modifie le poids du neurone à partir des données de la propagation en arrière
+                neuron->back_weights[k] = 0;
 
-                if (neurone->poids_sortants[k] > MAX_RESEAU) {
-                    neurone->poids_sortants[k] = MAX_RESEAU;
+                if (neuron->weights[k] > MAX_RESEAU) {
+                    neuron->weights[k] = MAX_RESEAU;
                     printf("Erreur, max du réseau atteint");
                 }
-                else if (neurone->poids_sortants[k] < -MAX_RESEAU) {
-                    neurone->poids_sortants[k] = -MAX_RESEAU;
+                else if (neuron->weights[k] < -MAX_RESEAU) {
+                    neuron->weights[k] = -MAX_RESEAU;
                     printf("Erreur, min du réseau atteint");
                 }
             }
@@ -239,64 +249,59 @@ void modification_du_reseau_neuronal(Reseau* reseau, uint32_t nb_modifs) {
 
 
 
-void initialisation_du_reseau_neuronal(Reseau* reseau) {
-    /* Initialise les variables du réseau neuronal (biais, poids, ...)
-    en suivant de la méthode de Xavier ...... à partir du nombre de couches et de la liste du nombre de neurone par couche */
-    Neurone* neurone;
-    double borne_superieure;
-    double borne_inferieure;
-    double ecart_bornes;
+void network_initialisation(Network* network) {
+    /* Initialise les variables du réseau neuronal (bias, poids, ...)
+    en suivant de la méthode de Xavier ...... à partir du nombre de couches et de la liste du nombre de neurone par couches */
+    Neuron* neuron;
+    double upper_bound;
+    double lower_bound;
+    double bound_gap;
 
+    int nb_layers_loop = network->nb_layers -1;
+
+    upper_bound = 1/sqrt((double)network->layers[nb_layers_loop]->nb_neurons);
+    lower_bound = -upper_bound;
+    bound_gap = upper_bound - lower_bound;
+    
     srand(time(0));
-    for (int i=0; i < reseau->nb_couches-1; i++) { // On exclut la dernière couche
-        for (int j=0; j < reseau->couches[i]->nb_neurones; j++) {
+    for (int i=0; i < nb_layers_loop; i++) { // On exclut la dernière couche
+        for (int j=0; j < network->layers[i]->nb_neurons; j++) {
 
-            neurone = reseau->couches[i]->neurones[j];
+            neuron = network->layers[i]->neurons[j];
             // Initialisation des bornes supérieure et inférieure
-            borne_superieure = 1/sqrt((double)reseau->couches[reseau->nb_couches-1]->nb_neurones);
-            borne_inferieure = -borne_superieure;
-            ecart_bornes = borne_superieure - borne_inferieure;
 
-            for (int k=0; k < reseau->couches[i+1]->nb_neurones; k++) { // Pour chaque neurone de la couche suivante auquel le neurone est relié
-                neurone->poids_sortants[k] = borne_inferieure + RAND_DOUBLE()*ecart_bornes;
-                neurone->d_poids_sortants[k] = 0;
-                neurone->last_d_poids_sortants[k] = 0;
+            if (i!=nb_layers_loop) {
+                for (int k=0; k < network->layers[i+1]->nb_neurons; k++) {
+                    neuron->weights[k] = lower_bound + RAND_DOUBLE()*bound_gap;
+                    neuron->back_weights[k] = 0;
+                    neuron->last_back_weights[k] = 0;
+                }
             }
             if (i > 0) {// Pour tous les neurones n'étant pas dans la première couche
-                neurone->biais = borne_inferieure + RAND_DOUBLE()*ecart_bornes;
-                neurone->d_biais = 0;
-                neurone->last_d_biais = 0;
+                neuron->bias = lower_bound + RAND_DOUBLE()*bound_gap;
+                neuron->back_bias = 0;
+                neuron->last_back_bias = 0;
             }
         }
     }
-    borne_superieure = 1/sqrt((double)reseau->couches[reseau->nb_couches-1]->nb_neurones);
-    borne_inferieure = -borne_superieure;
-    ecart_bornes = borne_superieure - borne_inferieure;
-
-    for (int j=0; j < reseau->couches[reseau->nb_couches-1]->nb_neurones; j++) {// Intialisation de la dernière couche exclue ci-dessus
-        neurone = reseau->couches[reseau->nb_couches-1]->neurones[j];
-        neurone->biais = borne_inferieure + RAND_DOUBLE()*ecart_bornes;
-        neurone->d_biais = 0;
-        neurone->last_d_biais = 0;
-    }
 }
 
 
 
 
-float erreur_sortie(Reseau* reseau, int numero_voulu){
+float loss_computing(Network* network, int numero_voulu){
     /* Renvoie l'erreur du réseau neuronal pour une sortie */
     float erreur = 0;
-    float neurone_value;
+    float neuron_value;
 
-    for (int i=0; i < reseau->nb_couches-1; i++) {
-        neurone_value = reseau->couches[reseau->nb_couches-1]->neurones[i]->z;
+    for (int i=0; i < network->nb_layers-1; i++) {
+        neuron_value = network->layers[network->nb_layers-1]->neurons[i]->z;
 
         if (i == numero_voulu) {
-            erreur += (1-neurone_value)*(1-neurone_value);
+            erreur += (1-neuron_value)*(1-neuron_value);
         }
         else {
-            erreur += neurone_value*neurone_value;
+            erreur += neuron_value*neuron_value;
         }
     }
     
diff --git a/src/mnist/neural_network.h b/src/mnist/neural_network.h
index 5e753a1..b580268 100644
--- a/src/mnist/neural_network.h
+++ b/src/mnist/neural_network.h
@@ -12,16 +12,16 @@
 
 float max(float a, float b);
 float sigmoid(float x);
-float sigmoid_derivee(float x);
+float sigmoid_derivative(float x);
 float leaky_ReLU(float x);
-float leaky_ReLU_derivee(float x);
-void creation_du_reseau_neuronal(Reseau* reseau_neuronal, int* neurones_par_couche, int nb_couches);
-void suppression_du_reseau_neuronal(Reseau* reseau_neuronal);
-void forward_propagation(Reseau* reseau_neuronal);
-int* creation_de_la_sortie_voulue(Reseau* reseau_neuronal, int pos_nombre_voulu);
-void backward_propagation(Reseau* reseau_neuronal, int* sortie_voulue);
-void modification_du_reseau_neuronal(Reseau* reseau_neuronal, uint32_t nb_modifs);
-void initialisation_du_reseau_neuronal(Reseau* reseau_neuronal);
-float erreur_sortie(Reseau* reseau, int numero_voulu);
+float leaky_ReLU_derivative(float x);
+void network_creation(Network* network_neuronal, int* neurons_per_layer, int nb_layers);
+void deletion_of_network(Network* network_neuronal);
+void forward_propagation(Network* network_neuronal);
+int* desired_output_creation(Network* network_neuronal, int wanted_number);
+void backward_propagation(Network* network_neuronal, int* desired_output);
+void network_modification(Network* network_neuronal, uint32_t nb_modifs);
+void network_initialisation(Network* network_neuronal);
+float loss_computing(Network* network, int numero_voulu);
 
 #endif
diff --git a/src/mnist/neuron_io.c b/src/mnist/neuron_io.c
index ef9bd5a..500966d 100644
--- a/src/mnist/neuron_io.c
+++ b/src/mnist/neuron_io.c
@@ -8,57 +8,57 @@
 
 
 
-Neurone* lire_neurone(uint32_t nb_poids_sortants, FILE *ptr) {
-    Neurone* neurone = malloc(sizeof(Neurone));
+Neuron* read_neuron(uint32_t nb_weights, FILE *ptr) {
+    Neuron* neuron = malloc(sizeof(Neuron));
     float activation;
-    float biais;
+    float bias;
     float tmp;
 
     fread(&activation, sizeof(float), 1, ptr);
-    fread(&biais, sizeof(float), 1, ptr);
+    fread(&bias, sizeof(float), 1, ptr);
 
-    neurone->biais = biais;
+    neuron->bias = bias;
 
-    neurone->z = 0.0;
-    neurone->last_d_biais = 0.0;
-    neurone->d_biais = 0.0;
+    neuron->z = 0.0;
+    neuron->last_back_bias = 0.0;
+    neuron->back_bias = 0.0;
 
-    float* poids_sortants = malloc(sizeof(float)*nb_poids_sortants);
+    float* weights = malloc(sizeof(float)*nb_weights);
 
-    neurone->last_d_poids_sortants = malloc(sizeof(float)*nb_poids_sortants);
-    neurone->d_poids_sortants = malloc(sizeof(float)*nb_poids_sortants);
-    neurone->poids_sortants = poids_sortants;
+    neuron->last_back_weights = malloc(sizeof(float)*nb_weights);
+    neuron->back_weights = malloc(sizeof(float)*nb_weights);
+    neuron->weights = weights;
 
-    for (int i=0; i < nb_poids_sortants; i++) {
+    for (int i=0; i < nb_weights; i++) {
         fread(&tmp, sizeof(float), 1, ptr);
-        neurone->poids_sortants[i] = tmp;
-        neurone->d_poids_sortants[i] = 0.0;
-        neurone->last_d_poids_sortants[i] = 0.0;
+        neuron->weights[i] = tmp;
+        neuron->back_weights[i] = 0.0;
+        neuron->last_back_weights[i] = 0.0;
     }
 
-    return neurone;
+    return neuron;
 }
 
 
 // Lit une couche de neurones
-Neurone** lire_neurones(uint32_t nb_neurones, uint32_t nb_poids_sortants, FILE *ptr) {
-    Neurone** neurones = malloc(sizeof(Neurone*)*nb_neurones);
-    for (int i=0; i < nb_neurones; i++) {
-        neurones[i] = lire_neurone(nb_poids_sortants, ptr);
+Neuron** read_neurons(uint32_t nb_neurons, uint32_t nb_weights, FILE *ptr) {
+    Neuron** neurons = malloc(sizeof(Neuron*)*nb_neurons);
+    for (int i=0; i < nb_neurons; i++) {
+        neurons[i] = read_neuron(nb_weights, ptr);
     }
-    return neurones;
+    return neurons;
 }
 
 
 // Charge l'entièreté du réseau neuronal depuis un fichier binaire
-Reseau* lire_reseau(char* filename) {
+Network* read_network(char* filename) {
     FILE *ptr;
-    Reseau* reseau = malloc(sizeof(Reseau));
+    Network* network = malloc(sizeof(Network));
     
     ptr = fopen(filename, "rb");
 
     uint32_t magic_number;
-    uint32_t nb_couches;
+    uint32_t nb_layers;
     uint32_t tmp;
 
     fread(&magic_number, sizeof(uint32_t), 1, ptr);
@@ -67,41 +67,41 @@ Reseau* lire_reseau(char* filename) {
         exit(1);
     }
 
-    fread(&nb_couches, sizeof(uint32_t), 1, ptr);
-    reseau->nb_couches = nb_couches;
+    fread(&nb_layers, sizeof(uint32_t), 1, ptr);
+    network->nb_layers = nb_layers;
 
 
-    Couche** couches = malloc(sizeof(Couche*)*nb_couches);
-    uint32_t nb_neurones_couche[nb_couches+1];
+    Layer** layers = malloc(sizeof(Layer*)*nb_layers);
+    uint32_t nb_neurons_layer[nb_layers+1];
 
-    reseau->couches  = couches;
+    network->layers  = layers;
 
-    for (int i=0; i < nb_couches; i++) {
-        couches[i] = malloc(sizeof(Couche));
+    for (int i=0; i < nb_layers; i++) {
+        layers[i] = malloc(sizeof(Layer));
         fread(&tmp, sizeof(tmp), 1, ptr);
-        couches[i]->nb_neurones = tmp;
-        nb_neurones_couche[i] = tmp;
+        layers[i]->nb_neurons = tmp;
+        nb_neurons_layer[i] = tmp;
     }
-    nb_neurones_couche[nb_couches] = 0;
+    nb_neurons_layer[nb_layers] = 0;
 
-    for (int i=0; i < nb_couches; i++) {
-        couches[i]->neurones = lire_neurones(couches[i]->nb_neurones, nb_neurones_couche[i+1], ptr);
+    for (int i=0; i < nb_layers; i++) {
+        layers[i]->neurons = read_neurons(layers[i]->nb_neurons, nb_neurons_layer[i+1], ptr);
     }
 
     fclose(ptr);
-    return reseau;
+    return network;
 }
 
 
 
 
 // Écrit un neurone dans le fichier pointé par *ptr
-void ecrire_neurone(Neurone* neurone, int poids_sortants, FILE *ptr) {
-    float buffer[poids_sortants+2];
+void ecrire_neuron(Neuron* neuron, int weights, FILE *ptr) {
+    float buffer[weights+2];
 
-    buffer[1] = neurone->biais;
-    for (int i=0; i < poids_sortants; i++) {
-        buffer[i+2] = neurone->poids_sortants[i];
+    buffer[1] = neuron->bias;
+    for (int i=0; i < weights; i++) {
+        buffer[i+2] = neuron->weights[i];
     }
 
     fwrite(buffer, sizeof(buffer), 1, ptr);
@@ -109,28 +109,28 @@ void ecrire_neurone(Neurone* neurone, int poids_sortants, FILE *ptr) {
 
 
 // Stocke l'entièreté du réseau neuronal dans un fichier binaire
-int ecrire_reseau(char* filename, Reseau* reseau) {
+int write_network(char* filename, Network* network) {
     FILE *ptr;
-    int nb_couches = reseau->nb_couches;
-    int nb_neurones[nb_couches+1];
+    int nb_layers = network->nb_layers;
+    int nb_neurons[nb_layers+1];
 
     ptr = fopen(filename, "wb");
 
-    uint32_t buffer[nb_couches+2];
+    uint32_t buffer[nb_layers+2];
 
     buffer[0] = MAGIC_NUMBER;
-    buffer[1] = nb_couches;
-    for (int i=0; i < nb_couches; i++) {
-        buffer[i+2] = reseau->couches[i]->nb_neurones;
-        nb_neurones[i] = reseau->couches[i]->nb_neurones;
+    buffer[1] = nb_layers;
+    for (int i=0; i < nb_layers; i++) {
+        buffer[i+2] = network->layers[i]->nb_neurons;
+        nb_neurons[i] = network->layers[i]->nb_neurons;
     }
-    nb_neurones[nb_couches] = 0;
+    nb_neurons[nb_layers] = 0;
 
     fwrite(buffer, sizeof(buffer), 1, ptr);
 
-    for (int i=0; i < nb_couches; i++) {
-        for (int j=0; j < nb_neurones[i]; j++) {
-            ecrire_neurone(reseau->couches[i]->neurones[j], nb_neurones[i+1], ptr);
+    for (int i=0; i < nb_layers; i++) {
+        for (int j=0; j < nb_neurons[i]; j++) {
+            ecrire_neuron(network->layers[i]->neurons[j], nb_neurons[i+1], ptr);
         }
     }
 
diff --git a/src/mnist/neuron_io.h b/src/mnist/neuron_io.h
index 2a9864a..362642d 100644
--- a/src/mnist/neuron_io.h
+++ b/src/mnist/neuron_io.h
@@ -7,11 +7,11 @@
 #ifndef DEF_NEURON_IO_H
 #define DEF_NEURON_IO_H
 
-Neurone* lire_neurone(uint32_t nb_poids_sortants, FILE *ptr);
-Neurone** lire_neurones(uint32_t nb_neurones, uint32_t nb_poids_sortants, FILE *ptr);
-Reseau* lire_reseau(char* filename);
-void ecrire_neurone(Neurone* neurone, int poids_sortants, FILE *ptr);
-int ecrire_reseau(char* filename, Reseau* reseau);
+Neuron* read_neuron(uint32_t nb_weights, FILE *ptr);
+Neuron** read_neurons(uint32_t nb_neurons, uint32_t nb_weights, FILE *ptr);
+Network* read_network(char* filename);
+void ecrire_neuron(Neuron* neuron, int weights, FILE *ptr);
+int write_network(char* filename, Network* network);
 
 
 #endif
diff --git a/src/mnist/struct/neuron.h b/src/mnist/struct/neuron.h
index 8ac7695..0478dbc 100644
--- a/src/mnist/struct/neuron.h
+++ b/src/mnist/struct/neuron.h
@@ -1,26 +1,26 @@
 #ifndef DEF_NEURON_H
 #define DEF_NEURON_H
 
-typedef struct Neurone{
-    float* poids_sortants; // Liste de tous les poids des arêtes sortants du neurone
-    float biais; // Caractérise le biais du neurone
+typedef struct Neuron{
+    float* weights; // Liste de tous les poids des arêtes sortants du neurone
+    float bias; // Caractérise le bias du neurone
     float z; // Sauvegarde des calculs faits sur le neurone (programmation dynamique)
 
-    float *d_poids_sortants; // Changement des poids sortants lors de la backpropagation
-    float *last_d_poids_sortants; // Dernier changement de d_poid_sortants
-    float d_biais; // Changement du biais lors de la backpropagation
-    float last_d_biais; // Dernier changement de d_biais
-} Neurone;
+    float *back_weights; // Changement des poids sortants lors de la backpropagation
+    float *last_back_weights; // Dernier changement de d_poid_sortants
+    float back_bias; // Changement du bias lors de la backpropagation
+    float last_back_bias; // Dernier changement de back_bias
+} Neuron;
 
 
-typedef struct Couche{
-    int nb_neurones; // Nombre de neurones dans la couche (longueur du tableau ci-dessous)
-    Neurone** neurones; // Tableau des neurones dans la couche
-} Couche;
+typedef struct Layer{
+    int nb_neurons; // Nombre de neurones dans la couche (longueur du tableau ci-dessous)
+    Neuron** neurons; // Tableau des neurones dans la couche
+} Layer;
 
-typedef struct Reseau{
-    int nb_couches; // Nombre de couches dans le réseau neuronal (longueur du tableau ci-dessous)
-    Couche** couches; // Tableau des couches dans le réseau neuronal
-} Reseau;
+typedef struct Network{
+    int nb_layers; // Nombre de couches dans le réseau neuronal (longueur du tableau ci-dessous)
+    Layer** layers; // Tableau des couches dans le réseau neuronal
+} Network;
 
 #endif
\ No newline at end of file
diff --git a/src/mnist/utils.c b/src/mnist/utils.c
index 489c83d..212be60 100644
--- a/src/mnist/utils.c
+++ b/src/mnist/utils.c
@@ -11,46 +11,46 @@
 Contient un ensemble de fonctions utiles pour le débogage
 */
 void help(char* call) {
-    printf("Usage: %s ( print-poids | print-biais | creer-reseau ) [OPTIONS]\n\n", call);
+    printf("Usage: %s ( print-poids | print-bias | creer-network ) [OPTIONS]\n\n", call);
     printf("OPTIONS:\n");
     printf("\tprint-poids:\n");
-    printf("\t\t--reseau | -r [FILENAME]\tFichier contenant le réseau de neurones.\n");
-    printf("\tprint-biais:\n");
-    printf("\t\t--reseau | -r [FILENAME]\tFichier contenant le réseau de neurones.\n");
+    printf("\t\t--network | -r [FILENAME]\tFichier contenant le réseau de neurons.\n");
+    printf("\tprint-bias:\n");
+    printf("\t\t--network | -r [FILENAME]\tFichier contenant le réseau de neurons.\n");
     printf("\tcount-labels:\n");
     printf("\t\t--labels | -l [FILENAME]\tFichier contenant les labels.\n");
-    printf("\tcreer-reseau:\n");
-    printf("\t\t--out    | -o [FILENAME]\tFichier où écrire le réseau de neurones.\n");
+    printf("\tcreer-network:\n");
+    printf("\t\t--out    | -o [FILENAME]\tFichier où écrire le réseau de neurons.\n");
     printf("\t\t--number | -n [int]\tNuméro à privilégier\n");
 }
 
 
-void print_biais(char* filename) {
-    Reseau* reseau = lire_reseau(".cache/reseau.bin");
+void print_bias(char* filename) {
+    Network* network = read_network(".cache/network.bin");
 
-    for (int i=1; i < reseau->nb_couches -1; i++) {
-        printf("Couche %d\n", i);
-        for (int j=0; j < reseau->couches[i]->nb_neurones; j++) {
-            printf("Couche %d\tNeurone %d\tBiais: %f\n", i, j, reseau->couches[i]->neurones[j]->biais);
+    for (int i=1; i < network->nb_layers -1; i++) {
+        printf("Layer %d\n", i);
+        for (int j=0; j < network->layers[i]->nb_neurons; j++) {
+            printf("Layer %d\tNeuron %d\tBiais: %f\n", i, j, network->layers[i]->neurons[j]->bias);
         }
     }
-    suppression_du_reseau_neuronal(reseau);
+    deletion_of_network(network);
 }
 
 void print_poids(char* filename) {
-    Reseau* reseau = lire_reseau(".cache/reseau.bin");
+    Network* network = read_network(".cache/network.bin");
 
-    for (int i=0; i < reseau->nb_couches -1; i++) {
-        printf("Couche %d\n", i);
-        for (int j=0; j < reseau->couches[i]->nb_neurones; j++) {
-            printf("Couche %d\tNeurone %d\tPoids: [", i, j);
-            for (int k=0; k < reseau->couches[i+1]->nb_neurones; k++) {
-                printf("%f, ", reseau->couches[i]->neurones[j]->poids_sortants[k]);
+    for (int i=0; i < network->nb_layers -1; i++) {
+        printf("Layer %d\n", i);
+        for (int j=0; j < network->layers[i]->nb_neurons; j++) {
+            printf("Layer %d\tNeuron %d\tPoids: [", i, j);
+            for (int k=0; k < network->layers[i+1]->nb_neurons; k++) {
+                printf("%f, ", network->layers[i]->neurons[j]->weights[k]);
             }
             printf("]\n");
         }
     }
-    suppression_du_reseau_neuronal(reseau);
+    deletion_of_network(network);
 }
 
 void count_labels(char* filename) {
@@ -74,46 +74,46 @@ void count_labels(char* filename) {
     }
 }
 
-void creer_reseau(char* filename, int sortie) {
-    Reseau* reseau = malloc(sizeof(Reseau));
-    Couche* couche;
-    Neurone* neurone;
-    reseau->nb_couches = 3;
+void create_network(char* filename, int sortie) {
+    Network* network = malloc(sizeof(Network));
+    Layer* layer;
+    Neuron* neuron;
+    network->nb_layers = 3;
     
-    reseau->couches = malloc(sizeof(Couche*)*reseau->nb_couches);
-    int neurones_par_couche[4] = {784, 1, 10, 0};
-    for (int i=0; i < reseau->nb_couches; i++) {
-        reseau->couches[i] = malloc(sizeof(Couche));
-        couche = reseau->couches[i];
-        couche->nb_neurones = neurones_par_couche[i];
-        couche->neurones = malloc(sizeof(Neurone*)*couche->nb_neurones);
-        for (int j=0; j < couche->nb_neurones; j++) {
-            couche->neurones[j] = malloc(sizeof(Neurone));
-            neurone = couche->neurones[j];
+    network->layers = malloc(sizeof(Layer*)*network->nb_layers);
+    int neurons_per_layer[4] = {784, 1, 10, 0};
+    for (int i=0; i < network->nb_layers; i++) {
+        network->layers[i] = malloc(sizeof(Layer));
+        layer = network->layers[i];
+        layer->nb_neurons = neurons_per_layer[i];
+        layer->neurons = malloc(sizeof(Neuron*)*layer->nb_neurons);
+        for (int j=0; j < layer->nb_neurons; j++) {
+            layer->neurons[j] = malloc(sizeof(Neuron));
+            neuron = layer->neurons[j];
 
-            neurone->biais = 0.;
-            neurone->z = 0.;
+            neuron->bias = 0.;
+            neuron->z = 0.;
 
-            neurone->d_biais = 0.;
-            neurone->last_d_biais = 0.;
+            neuron->back_bias = 0.;
+            neuron->last_back_bias = 0.;
 
-            neurone->poids_sortants = malloc(sizeof(float)*neurones_par_couche[i+1]);
-            neurone->d_poids_sortants = malloc(sizeof(float)*neurones_par_couche[i+1]);
-            neurone->last_d_poids_sortants = malloc(sizeof(float)*neurones_par_couche[i+1]);
-            for (int k=0; k < neurones_par_couche[i+1]; k++) {
-                neurone->poids_sortants[k] = 0.;
-                neurone->d_poids_sortants[k] = 0.;
-                neurone->last_d_poids_sortants[k] = 0.;
+            neuron->weights = malloc(sizeof(float)*neurons_per_layer[i+1]);
+            neuron->back_weights = malloc(sizeof(float)*neurons_per_layer[i+1]);
+            neuron->last_back_weights = malloc(sizeof(float)*neurons_per_layer[i+1]);
+            for (int k=0; k < neurons_per_layer[i+1]; k++) {
+                neuron->weights[k] = 0.;
+                neuron->back_weights[k] = 0.;
+                neuron->last_back_weights[k] = 0.;
             }
         }
     }
 
-    for (int j=0; j < neurones_par_couche[0]; j++) {
-        reseau->couches[0]->neurones[j]->poids_sortants[0] = 1;
+    for (int j=0; j < neurons_per_layer[0]; j++) {
+        network->layers[0]->neurons[j]->weights[0] = 1;
     }
-    reseau->couches[1]->neurones[0]->poids_sortants[sortie] = 1;
-    ecrire_reseau(filename, reseau);
-    suppression_du_reseau_neuronal(reseau);
+    network->layers[1]->neurons[0]->weights[sortie] = 1;
+    write_network(filename, network);
+    deletion_of_network(network);
 }
 
 
@@ -128,7 +128,7 @@ int main(int argc, char* argv[]) {
         char* filename = NULL;
         int i = 2;
         while (i < argc) {
-            if ((! strcmp(argv[i], "--reseau"))||(! strcmp(argv[i], "-r"))) {
+            if ((! strcmp(argv[i], "--network"))||(! strcmp(argv[i], "-r"))) {
                 filename = argv[i+1];
                 i += 2;
             } else {
@@ -137,16 +137,16 @@ int main(int argc, char* argv[]) {
             }
         }
         if (! filename) {
-            printf("Pas de fichier spécifié, utilisation de '.cache/reseau.bin'\n");
-            filename = ".cache/reseau.bin";
+            printf("Pas de fichier spécifié, utilisation de '.cache/network.bin'\n");
+            filename = ".cache/network.bin";
         }
         print_poids(filename);
         exit(1);
-    } else if (! strcmp(argv[1], "print-biais")) {
+    } else if (! strcmp(argv[1], "print-bias")) {
         char* filename = NULL;
         int i = 2;
         while (i < argc) {
-            if ((! strcmp(argv[i], "--reseau"))||(! strcmp(argv[i], "-r"))) {
+            if ((! strcmp(argv[i], "--network"))||(! strcmp(argv[i], "-r"))) {
                 filename = argv[i+1];
                 i += 2;
             } else {
@@ -155,12 +155,12 @@ int main(int argc, char* argv[]) {
             }
         }
         if (! filename) {
-            printf("Pas de fichier spécifié, utilisation de '.cache/reseau.bin'\n");
-            filename = ".cache/reseau.bin";
+            printf("Pas de fichier spécifié, utilisation de '.cache/network.bin'\n");
+            filename = ".cache/network.bin";
         }
-        print_biais(filename);
+        print_bias(filename);
         exit(1);
-    } else if (! strcmp(argv[1], "creer-reseau")) {
+    } else if (! strcmp(argv[1], "creer-network")) {
         char* out = NULL;
         int n = -1;
         int i = 2;
diff --git a/src/webserver/app.py b/src/webserver/app.py
index c4f66ec..0396289 100644
--- a/src/webserver/app.py
+++ b/src/webserver/app.py
@@ -40,7 +40,7 @@ def recognize_mnist(image):
         output = subprocess.check_output([
             'out/main',
             'recognize',
-            '--modele', '.cache/reseau.bin',
+            '--modele', '.cache/network.bin',
             '--in', '.cache/image.bin',
             '--out', 'json'
         ]).decode("utf-8")
diff --git a/test/mnist.c b/test/mnist.c
index 58cb51e..85aedd4 100644
--- a/test/mnist.c
+++ b/test/mnist.c
@@ -5,7 +5,7 @@
 #include "../src/mnist/mnist.c"
 
 
-void test_lecture(int nb_images, int width, int height, int*** images, unsigned int* labels) {
+void read_test(int nb_images, int width, int height, int*** images, unsigned int* labels) {
     printf("\tLecture des labels\n");
     for (int i=0; i < nb_images; i++) {
         (void)labels[i];
@@ -45,7 +45,7 @@ int main() {
     printf("OK\n");
     printf("Vérification de l'accès en lecture\n");
 
-    test_lecture(nb_images, width, height, images, labels);
+    read_test(nb_images, width, height, images, labels);
 
     printf("OK\n");
     return 1;
diff --git a/test/neural_network.c b/test/neural_network.c
index 93725bf..92c4258 100644
--- a/test/neural_network.c
+++ b/test/neural_network.c
@@ -9,19 +9,19 @@
 int main() {
     printf("Création du réseau\n");
 
-    Reseau* reseau_neuronal = malloc(sizeof(Reseau));
+    Network* network_neuronal = malloc(sizeof(Network));
     int tab[5] = {30, 25, 20, 15, 10};
-    creation_du_reseau_neuronal(reseau_neuronal, tab, 5);
+    network_creation(network_neuronal, tab, 5);
 
     printf("OK\n");
     printf("Initialisation du réseau\n");
 
-    initialisation_du_reseau_neuronal(reseau_neuronal);
+    network_initialisation(network_neuronal);
 
     printf("OK\n");
     printf("Enregistrement du réseau\n");
 
-    ecrire_reseau(".test-cache/random_reseau.bin", reseau_neuronal);
+    write_network(".test-cache/random_network.bin", network_neuronal);
 
     printf("OK\n");
     return 1;
diff --git a/test/neuron_io.c b/test/neuron_io.c
index eab780a..fac7dd0 100644
--- a/test/neuron_io.c
+++ b/test/neuron_io.c
@@ -6,61 +6,61 @@
 #include "../src/mnist/neuron_io.c"
 
 
-Neurone* creer_neurone(int nb_sortants) {
-    Neurone* neurone = malloc(2*sizeof(float*)+6*sizeof(float));
-    neurone->poids_sortants = malloc(sizeof(float)*nb_sortants);
-    neurone->d_poids_sortants = malloc(sizeof(float)*nb_sortants);
-    neurone->last_d_poids_sortants = malloc(sizeof(float)*nb_sortants);
+Neuron* creer_neuron(int nb_sortants) {
+    Neuron* neuron = malloc(2*sizeof(float*)+6*sizeof(float));
+    neuron->weights = malloc(sizeof(float)*nb_sortants);
+    neuron->back_weights = malloc(sizeof(float)*nb_sortants);
+    neuron->last_back_weights = malloc(sizeof(float)*nb_sortants);
 
     for (int i=0; i < nb_sortants; i++) {
-        neurone->poids_sortants[i] = 0.5;
-        neurone->d_poids_sortants[i] = 0.0;
-        neurone->last_d_poids_sortants[i] = 0.0;
+        neuron->weights[i] = 0.5;
+        neuron->back_weights[i] = 0.0;
+        neuron->last_back_weights[i] = 0.0;
     }
-    neurone->z = 0.0;
-    neurone->biais = 0.0;
-    neurone->d_biais = 0.0;
-    neurone->last_d_biais = 0.0;
+    neuron->z = 0.0;
+    neuron->bias = 0.0;
+    neuron->back_bias = 0.0;
+    neuron->last_back_bias = 0.0;
 
-    return neurone;
+    return neuron;
 }
 
 
-Couche* creer_couche(int nb_neurones, int nb_sortants) {
-    Couche* couche = malloc(sizeof(int)+sizeof(Neurone**));
-    Neurone** tab = malloc(sizeof(Neurone*)*nb_neurones);
+Layer* creer_layer(int nb_neurons, int nb_sortants) {
+    Layer* layer = malloc(sizeof(int)+sizeof(Neuron**));
+    Neuron** tab = malloc(sizeof(Neuron*)*nb_neurons);
 
-    couche->nb_neurones = nb_neurones;
-    couche->neurones = tab;
+    layer->nb_neurons = nb_neurons;
+    layer->neurons = tab;
 
-    for (int i=0; i<nb_neurones; i++) {
-        tab[i] = creer_neurone(nb_sortants);
+    for (int i=0; i<nb_neurons; i++) {
+        tab[i] = creer_neuron(nb_sortants);
     }
-    return couche;
+    return layer;
 };
 
 
-Reseau* creer_reseau(int nb_couches, int nb_max_neurones, int nb_min_neurones) {
-    Reseau* reseau = malloc(sizeof(int)+sizeof(Couche**));
-    reseau->couches = malloc(sizeof(Couche*)*nb_couches);
-    int nb_neurones[nb_couches+1];
+Network* create_network(int nb_layers, int nb_max_neurons, int nb_min_neurons) {
+    Network* network = malloc(sizeof(int)+sizeof(Layer**));
+    network->layers = malloc(sizeof(Layer*)*nb_layers);
+    int nb_neurons[nb_layers+1];
 
-    reseau->nb_couches = nb_couches;
+    network->nb_layers = nb_layers;
 
-    for (int i=0; i < nb_couches; i++) {
-        nb_neurones[i] = i*(nb_min_neurones-nb_max_neurones)/(nb_couches-1) + nb_max_neurones;
+    for (int i=0; i < nb_layers; i++) {
+        nb_neurons[i] = i*(nb_min_neurons-nb_max_neurons)/(nb_layers-1) + nb_max_neurons;
     }
-    nb_neurones[nb_couches] = 0;
+    nb_neurons[nb_layers] = 0;
 
-    for (int i=0; i < nb_couches; i++) {
-        reseau->couches[i] = creer_couche(nb_neurones[i], nb_neurones[i+1]);
+    for (int i=0; i < nb_layers; i++) {
+        network->layers[i] = creer_layer(nb_neurons[i], nb_neurons[i+1]);
     }
-    return reseau;
+    return network;
 }
 
 int main() {
-    Reseau* reseau = creer_reseau(5, 300, 10);
-    ecrire_reseau(".test-cache/neuron_io.bin", reseau);
-    Reseau* reseau2 = lire_reseau(".test-cache/neuron_io.bin");
+    Network* network = create_network(5, 300, 10);
+    write_network(".test-cache/neuron_io.bin", network);
+    Network* network2 = read_network(".test-cache/neuron_io.bin");
     return 1;
 }
\ No newline at end of file