augustin64/tipe
1
1
Fork 0
mirror of https://github.com/augustin64/projet-tipe synced 2025-01-24 07:36:24 +01:00
Code Issues Packages Projects Releases Wiki Activity

Change variable's name

Browse Source
This commit is contained in:
Julien Chemillier 2022-04-12 18:19:09 +02:00
parent 9eadb75887
commit 63c2544b45
2 changed files with 49 additions and 49 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

2
src/mnist/main.c
View File

@ -42,7 +42,7 @@ void help(char* call) {
void ecrire_image_dans_reseau(int** image, Reseau* reseau, 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]->activation = (float)image[i][j] / 255.0;
reseau->couches[0]->neurones[i*height+j]->z = (float)image[i][j] / 255.0;
}
}
}

96
src/mnist/neural_network.c
View File

@ -26,23 +26,23 @@ float ReLU(float x){
return max(x, 0);
}
void creation_du_reseau_neuronal(Reseau* reseau_neuronal, int* neurones_par_couche, int nb_couches) {
void creation_du_reseau_neuronal(Reseau* reseau, int* neurones_par_couche, int nb_couches) {
/* Créé et alloue de la mémoire aux différentes variables dans le réseau neuronal*/
Couche* couche;
reseau_neuronal->nb_couches = nb_couches;
reseau_neuronal->couches = (Couche**)malloc(sizeof(Couche*)*nb_couches);
reseau->nb_couches = nb_couches;
reseau->couches = (Couche**)malloc(sizeof(Couche*)*nb_couches);
for (int i=0; i < nb_couches; i++) {
reseau_neuronal->couches[i] = (Couche*)malloc(sizeof(Couche));
couche = reseau_neuronal->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_neuronal->couches[i]->nb_neurones); // Création des différents neurones dans la couche
couche->neurones = (Neurone**)malloc(sizeof(Neurone*)*reseau->couches[i]->nb_neurones); // Création des différents neurones dans la couche
for (int j=0; j < couche->nb_neurones; j++) {
couche->neurones[j] = (Neurone*)malloc(sizeof(Neurone));
if (i != reseau_neuronal->nb_couches-1) { // On exclut la dernière couche dont les neurones ne contiennent pas de poids sortants
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]);
}
@ -53,35 +53,35 @@ void creation_du_reseau_neuronal(Reseau* reseau_neuronal, int* neurones_par_couc
void suppression_du_reseau_neuronal(Reseau* reseau_neuronal) {
void suppression_du_reseau_neuronal(Reseau* reseau) {
/* Libère l'espace mémoire alloué aux différentes variables dans la fonction
'creation_du_reseau_neuronal' */
'creation_du_reseau' */
for (int i=0; i<reseau_neuronal->nb_couches; i++) {
if (i!=reseau_neuronal->nb_couches-1) { // On exclut la dernière couche dont les neurones ne contiennent pas de poids sortants
for (int j=0; j<reseau_neuronal->couches[i]->nb_neurones; j++) {
free(reseau_neuronal->couches[i]->neurones[j]->poids_sortants);
free(reseau_neuronal->couches[i]->neurones[j]->d_poids_sortants);
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);
}
}
free(reseau_neuronal->couches[i]->neurones); // On libère enfin la liste des neurones de la couche
free(reseau->couches[i]->neurones); // On libère enfin la liste des neurones de la couche
}
free(reseau_neuronal); // Pour finir, on libère le réseau neronal contenant la liste des couches
free(reseau); // Pour finir, on libère le réseau neronal contenant la liste des couches
}
void forward_propagation(Reseau* reseau_neuronal) {
void forward_propagation(Reseau* reseau) {
/* 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 précédante
for (int i=1; i < reseau_neuronal->nb_couches; i++) { // La première couche contient déjà des valeurs
couche = reseau_neuronal->couches[i];
pre_couche = reseau_neuronal->couches[i-1];
for (int i=1; i < reseau->nb_couches; i++) { // La première couche contient déjà des valeurs
couche = reseau->couches[i];
pre_couche = reseau->couches[i-1];
for (int j=0; j < couche->nb_neurones; j++) {
couche->neurones[j]->z = couche->neurones[j]->biais;
@ -90,7 +90,7 @@ void forward_propagation(Reseau* reseau_neuronal) {
couche->neurones[j]->z += pre_couche->neurones[k]->z * pre_couche->neurones[k]->poids_sortants[i]; // CHECK: ->poids_sortants[k] plutôt que i
}
if (i < reseau_neuronal->nb_couches-1) { // Pour toutes les couches sauf la dernière on utilise la fonction ReLU (0 si z<0, z sinon)
if (i < reseau->nb_couches-1) { // Pour toutes les couches sauf la dernière on utilise la fonction ReLU (0 si z<0, z sinon)
couche->neurones[j]->z = 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
@ -103,11 +103,11 @@ void forward_propagation(Reseau* reseau_neuronal) {
int* creation_de_la_sortie_voulue(Reseau* reseau_neuronal, int pos_nombre_voulu) {
int* creation_de_la_sortie_voulue(Reseau* reseau, int pos_nombre_voulu) {
/* 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_neuronal->couches[reseau_neuronal->nb_couches-1]->nb_neurones;
int nb_neurones = reseau->couches[reseau->nb_couches-1]->nb_neurones;
int* sortie_voulue = (int*)malloc(sizeof(int)*nb_neurones);
@ -121,20 +121,20 @@ int* creation_de_la_sortie_voulue(Reseau* reseau_neuronal, int pos_nombre_voulu)
void backward_propagation(Reseau* reseau_neuronal, int* sortie_voulue) {
void backward_propagation(Reseau* reseau, int* sortie_voulue) {
/* Effectue une propagation en arrière du réseau neuronal */
Neurone* neurone;
Neurone* neurone2;
// On commence par parcourir tous les neurones de la couche finale
for (int i=0; i < reseau_neuronal->couches[reseau_neuronal->nb_couches-1]->nb_neurones; i++) {
for (int i=0; i < reseau->couches[reseau->nb_couches-1]->nb_neurones; i++) {
// On calcule l'erreur de la sortie
neurone = reseau_neuronal->couches[reseau_neuronal->nb_couches-1]->neurones[i];
neurone = reseau->couches[reseau->nb_couches-1]->neurones[i];
neurone->d_z = (neurone->z - sortie_voulue[i])*(neurone->z - sortie_voulue[i]);
for(int k=0; k<reseau_neuronal->couches[reseau_neuronal->nb_couches-2]->nb_neurones; k++) { // Pour chaque neurone de l'avant dernière couche
neurone2 = reseau_neuronal->couches[reseau_neuronal->nb_couches-2]->neurones[k];
for(int k=0; k<reseau->couches[reseau->nb_couches-2]->nb_neurones; k++) { // Pour chaque neurone de l'avant dernière couche
neurone2 = reseau->couches[reseau->nb_couches-2]->neurones[k];
neurone2->d_poids_sortants[i] = neurone->d_z;
neurone2->d_activation = neurone2->poids_sortants[i] * neurone->d_z;
@ -143,17 +143,17 @@ void backward_propagation(Reseau* reseau_neuronal, int* sortie_voulue) {
neurone->d_biais = neurone->d_z;
}
for(int i=reseau_neuronal->nb_couches-2; i > 0; i--) { // On remonte les couche de l'avant dernière jusqu'à la première
for(int j=0; j<reseau_neuronal->couches[i]->nb_neurones; j++) {
neurone = reseau_neuronal->couches[i]->neurones[j];
for(int i=reseau->nb_couches-2; i > 0; i--) { // On remonte les couche de l'avant dernière jusqu'à la première
for(int j=0; j<reseau->couches[i]->nb_neurones; j++) {
neurone = reseau->couches[i]->neurones[j];
if(neurone->z >= 0) // ??? ...
neurone->d_z = neurone->d_activation;
else // ??? ...
neurone->d_z = 0;
for(int k=0; k<reseau_neuronal->couches[i-1]->nb_neurones; k++) {
neurone2 = reseau_neuronal->couches[i-1]->neurones[k];
for(int k=0; k<reseau->couches[i-1]->nb_neurones; k++) {
neurone2 = reseau->couches[i-1]->neurones[k];
neurone2->d_poids_sortants[j] = neurone->d_z;
if(i>1) // ??? ...
@ -168,17 +168,17 @@ void backward_propagation(Reseau* reseau_neuronal, int* sortie_voulue) {
void modification_du_reseau_neuronal(Reseau* reseau_neuronal) {
void modification_du_reseau_neuronal(Reseau* reseau) {
/* 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;
for (int i=0; i < reseau_neuronal->nb_couches-1; i++) { // on exclut la dernière couche
for (int j=0; j < reseau_neuronal->couches[i]->nb_neurones; j++) {
neurone = reseau_neuronal->couches[i]->neurones[j];
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++) {
neurone = reseau->couches[i]->neurones[j];
neurone->biais = neurone->biais - (TAUX_APPRENTISSAGE * neurone->d_biais); // On modifie le biais du neurone à partir des données de la propagation en arrière
for (int k=0; k < reseau_neuronal->couches[i+1]->nb_neurones; k++) {
for (int k=0; k < reseau->couches[i+1]->nb_neurones; k++) {
neurone->poids_sortants[k] = neurone->poids_sortants[k] - (TAUX_APPRENTISSAGE * neurone->d_poids_sortants[k]); // On modifie le poids du neurone à partir des données de la propagation en arrière
}
}
@ -188,7 +188,7 @@ void modification_du_reseau_neuronal(Reseau* reseau_neuronal) {
void initialisation_du_reseau_neuronal(Reseau* reseau_neuronal) {
void initialisation_du_reseau_neuronal(Reseau* reseau) {
/* Initialise les variables du réseau neuronal (activation, 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;
@ -196,17 +196,17 @@ void initialisation_du_reseau_neuronal(Reseau* reseau_neuronal) {
double borne_inferieure;
srand(time(0));
for (int i=0; i < reseau_neuronal->nb_couches-1; i++) { // On exclut la dernière couche
for (int j=0; j < reseau_neuronal->couches[i]->nb_neurones-1; j++) {
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-1; j++) {
neurone = reseau_neuronal->couches[i]->neurones[j];
neurone = reseau->couches[i]->neurones[j];
// Initialisation des bornes supérieure et inférieure
borne_superieure = 1/sqrt(reseau_neuronal->couches[i]->nb_neurones);
borne_superieure = 1/sqrt(reseau->couches[i]->nb_neurones);
borne_inferieure = - borne_superieure;
neurone->activation = borne_inferieure + ((double)rand())/((double)RAND_MAX)*(borne_superieure - borne_inferieure);
for (int k=0; k < reseau_neuronal->couches[i+1]->nb_neurones-1; k++) { // Pour chaque neurone de la couche suivante auquel le neurone est relié
for (int k=0; k < reseau->couches[i+1]->nb_neurones-1; k++) { // Pour chaque neurone de la couche suivante auquel le neurone est relié
neurone->poids_sortants[k] = borne_inferieure + ((double)rand())/((double)RAND_MAX)*(borne_superieure - borne_inferieure); // Initialisation des poids sortants aléatoirement
neurone->d_poids_sortants[k] = 0.0; // ... ???
}
@ -215,12 +215,12 @@ void initialisation_du_reseau_neuronal(Reseau* reseau_neuronal) {
}
}
}
borne_superieure = 1/sqrt(reseau_neuronal->couches[reseau_neuronal->nb_couches-1]->nb_neurones);
borne_superieure = 1/sqrt(reseau->couches[reseau->nb_couches-1]->nb_neurones);
borne_inferieure = - borne_superieure;
for (int j=0; j < reseau_neuronal->couches[reseau_neuronal->nb_couches-1]->nb_neurones; j++) {// Intialisation de la dernière couche exclue ci-dessus
neurone = reseau_neuronal->couches[reseau_neuronal->nb_couches-1]->neurones[j];
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->activation = borne_inferieure + ((double)rand())/((double)RAND_MAX)*(borne_superieure - borne_inferieure);
neurone->biais = borne_inferieure + ((double)rand())/((double)RAND_MAX)*(borne_superieure - borne_inferieure); // On initialise le biais aléatoirement
}
}
}