diff --git a/src/neural_network.c b/src/neural_network.c
new file mode 100644
index 0000000..a9e7351
--- /dev/null
+++ b/src/neural_network.c
@@ -0,0 +1,230 @@
+/*---------------------------------------------------
+------------------------TO Do------------------------
+---------------------------------------------------*/
+//Creation des structures :::::::::::::::::::::::::::
+//Creation des variables pour le réseaux neuronal :::
+//Initialisation des variables 
+//Froward propagation 
+//Bakcward propagation 
+//Entrainement à partir de données 
+//Sauvegarde des poids dans un fichier binaire 
+//Free tout le réseau neuronal ::::::::::::::::::::::
+
+/*---------------------------------------------------
+--------------------Bibliothèques--------------------
+---------------------------------------------------*/
+
+#include <stdio.h>
+#include <stdlib.h>
+#include <string.h>
+#include <math.h>
+#include <time.h>
+
+#define TAUX_APPRENTISSAGE 0.15 //Définit le taux d'apprentissage du réseau neuronal, donc la rapadité d'adaptation du modèle (comprit ent 0 et 1)
+
+//<> Le nombre de couche doit être supérieur à 2
+
+/*---------------------------------------------------
+-----------------------Macros----------------------
+---------------------------------------------------*/
+
+
+
+
+/*---------------------------------------------------
+----------------------Structure----------------------
+---------------------------------------------------*/
+typedef struct neurone_struct{
+    float activation; //Caractérise l'activation du neurone
+    float* poids_sortants; //Liste de tous les poids des arêtes sortants du neurone
+    float biais; //Caractérise le biais du neurone
+    float z; //Sauvegarde des calculs faits sur le neurone (programmation dynamique)
+
+    float dactivation;
+	float *dw;
+	float dbiais;
+	float dz;
+} neurone_struct;
+
+typedef struct couche_struct{
+    int nb_neurone; //Nombre de neurones dans la couche (longueur de la liste ci-dessous)
+    neurone_struct* neurone; //Liste des neurones dans la couche
+} couche_struct;
+
+/*---------------------------------------------------
+----------------------Fonctions----------------------
+---------------------------------------------------*/
+
+couche_struct* reseau_neuronal;
+
+void creation_du_reseau_neuronal(int nb_couches, int* neurones_par_couche);
+void suppression_du_reseau_neuronal(int nb_couches, int* neurones_par_couche);
+void forward_propagation(int nb_couches, int* neurones_par_couche);
+int* creation_de_la_sortie_voulue(int nb_couches, int* neurones_par_couche, int pos_nombre_voulu);
+void backward_propagation(int nb_couches, int* neurones_par_couche, int* sortie_voulue);
+void modification_du_reseau_neuronal(int nb_couches, int* neurones_par_couche);
+void initialisation_du_reseau_neuronal(int nb_couches, int* neurones_par_couche);
+
+
+
+void creation_du_reseau_neuronal(int nb_couches, int* neurones_par_couche) {
+    /* Créé les différentes variables dans la variable du réseau neuronal à
+    partir du nombre de couche et de la liste du nombre de neurone par couche */
+
+    reseau_neuronal = (couche_struct*)malloc(sizeof(couche_struct)*nb_couches); //Création des différentes couches
+    for (int i=0; i<nb_couches; i++) { // Pour chaque couche du réseau neuronal
+
+        reseau_neuronal[i].nb_neurone = neurones_par_couche[i]; //Ajout du nombre de neurone dans la couche à partir des variables en arguments
+        reseau_neuronal[i].neurone = (neurone_struct*)malloc(sizeof(neurone_struct)*neurones_par_couche[i]); //Création des différents neurones dans la couche
+
+        if (i!=nb_couches-1) { // On exclut la dernière couche dont les neurones ne contiennent pas de poids sortants
+            for (int j=0; j<neurones_par_couche[i]; j++) { // Pour chaque neurone de la couche
+                reseau_neuronal[i].neurone[j].poids_sortants = (float*)malloc(sizeof(float)*neurones_par_couche[i+1]) ;//Création des poids sortants du neurone
+            }
+        }
+    }
+}
+
+
+
+
+void suppression_du_reseau_neuronal(int nb_couches, int* neurones_par_couche) {
+    /* Libère l'espace mémoire alloué aux différentes variables dans la fonction
+    'creation_du_reseau_neuronal' à partir du nombre de couche et de la liste du 
+    nombre de neurone par couche */
+
+    for (int i=0; i<nb_couches; i++) { // Pour chaque couche du réseau neuronal
+        if (i!=nb_couches-1) { // On exclut la dernière couche dont les neurones ne contiennent pas de poids sortants
+            for (int j=0; j<neurones_par_couche[i]; j++) { // Pour chaque neurone de la couche
+                free(reseau_neuronal[i].neurone[j].poids_sortants); // On libère la variables des poids sortants
+            }
+        }
+        free(reseau_neuronal[i].neurone); // 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
+}
+
+
+
+
+void forward_propagation(int nb_couches, int* neurones_par_couche) {
+    /* Effectue une propagation en avant du réseau neuronal à partir du nombre
+    de couche et de la liste du nombre de neurone par couche */
+
+    for (int i=1; i<nb_couches; i++) { // Pour chaque couche du réseau neuronal (sauf la première qui possède déjà des valeurs)
+        for (int j=0; j<neurones_par_couche[i];j++) { // Pour chaque neurone de la couche
+        
+            reseau_neuronal[i].neurone[j].z = reseau_neuronal[i].neurone[j].biais; // On réinitialise l'utilisation actuelle du neurone à son biais
+            for (int k=0; k<neurones_par_couche[i-1]; k++) {
+                reseau_neuronal[i].neurone[j].z += reseau_neuronal[i-1].neurone[k].activation * reseau_neuronal[i-1].neurone[k].z * reseau_neuronal[i-1].neurone[k].poids_sortants[i]; // ???
+            }
+
+            if (i<nb_couches-1) { // Pour toutes les couches sauf la dernière on utilise la fonction relu
+                if (reseau_neuronal[i].neurone[j].z < 0)
+                    reseau_neuronal[i].neurone[j].activation = 0;
+                else
+                    reseau_neuronal[i].neurone[j].activation = reseau_neuronal[i].neurone[j].z;
+            }
+            else{ // Pour la dernière couche on utilise la fonction sigmoid permettant d'obtenir un résultat entre 0 et 1 étant une probabilité
+                reseau_neuronal[i].neurone[j].activation = 1/(1 + exp(reseau_neuronal[i].neurone[j].activation));
+            }
+        }
+    }
+}
+
+
+
+
+int* creation_de_la_sortie_voulue(int nb_couches, int* neurones_par_couche, int pos_nombre_voulu) {
+    /* Renvoie la liste des sorties voulues sachant à partir du nombre
+    de couches, de la liste du nombre de neurone par couche et de la
+    position du résultat voulue, */
+
+    int* sortie_voulue = (int*)malloc(sizeof(int));
+    for (int i=0; i<neurones_par_couche[nb_couches-1]; i++) // On initialise toutes les sorties à 0 par défault
+        sortie_voulue[i]=0;
+    sortie_voulue[pos_nombre_voulu]=1; // Seule la sortie voulue vaut 1
+    return sortie_voulue;
+}
+
+
+
+
+void backward_propagation(int nb_couches, int* neurones_par_couche, int* sortie_voulue) {
+    /* Effectue une propagation en arrière du réseau neuronal à partir du
+    nombre de couche, de la liste du nombre de neurone par couche  et de 
+    la liste des sorties voulues*/
+
+    // On commence par parcourir tous les neurones de la couche finale
+    for (int i=0; i<neurones_par_couche[nb_couches-1]; i++) { // Pour chaque neurone de la dernière couche
+        // On applique la formule de propagation en arrière 
+        reseau_neuronal[nb_couches-1].neurone[i].dz = (reseau_neuronal[nb_couches-1].neurone[i].activation - sortie_voulue[i]) * (reseau_neuronal[nb_couches-1].neurone[i].activation) * (1- reseau_neuronal[nb_couches-1].neurone[i].activation);
+
+        for(int k=0; k<neurones_par_couche[nb_couches-2]; k++) { // Pour chaque neurone de l'avant dernière couche
+            reseau_neuronal[nb_couches-2].neurone[k].dw[i] = (reseau_neuronal[nb_couches-1].neurone[i].dz * reseau_neuronal[nb_couches-2].neurone[k].activation);
+            reseau_neuronal[nb_couches-2].neurone[k].dactivation = reseau_neuronal[nb_couches-2].neurone[k].poids_sortants[i] * reseau_neuronal[nb_couches-1].neurone[i].dz;
+        }
+        // ???
+        reseau_neuronal[nb_couches-1].neurone[i].dbiais = reseau_neuronal[nb_couches-1].neurone[i].dz;
+    }
+
+    for(int i=nb_couches-2; i>0; i--) { // On remonte les couche de l'avant dernière jusqu'à la première
+        for(int j=0; j<neurones_par_couche[i]; j++) { // Pour chaque neurone de la couche
+            if(reseau_neuronal[i].neurone[j].z >= 0) // ??? ...
+                reseau_neuronal[i].neurone[j].dz = reseau_neuronal[i].neurone[j].dactivation;
+            else // ??? ...
+                reseau_neuronal[i].neurone[j].dz = 0;
+
+            for(int k=0; k<neurones_par_couche[i-1]; k++) { // Pour chaque neurone de la couche précédente
+                reseau_neuronal[i-1].neurone[k].dw[j] = reseau_neuronal[i].neurone[j].dz * reseau_neuronal[i-1].neurone[k].activation;
+                if(i>1) // ??? ...
+                    reseau_neuronal[i-1].neurone[k].dactivation = reseau_neuronal[i-1].neurone[k].poids_sortants[j] * reseau_neuronal[i].neurone[j].dz;
+            }
+            reseau_neuronal[i].neurone[j].dbiais = reseau_neuronal[i].neurone[j].dz; // ??? ...
+        }
+    }
+
+}
+
+
+
+
+void modification_du_reseau_neuronal(int nb_couches, int* neurones_par_couche) {
+    /* 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 */
+
+    for (int i=0; i<nb_couches-1; i++) { // Pour chaque couche possédant des neurones reliés à une couche suivante (on exclut donc la dernière couche)
+        for (int j=0; i<neurones_par_couche[i]; j++) { // Pour chaque neurone de la couche
+            reseau_neuronal[i].neurone[j].biais = reseau_neuronal[i].neurone[j].biais - (TAUX_APPRENTISSAGE * reseau_neuronal[i].neurone[j].dbiais); // On modifie le biais du neurone à partir des données de la propagation en arrière
+            for (int k=0; k<neurones_par_couche[i+1]; k++) { // Pour chaque arête sortant du neurone
+                reseau_neuronal[i].neurone[j].poids_sortants[k] = reseau_neuronal[i].neurone[j].poids_sortants[k] - (TAUX_APPRENTISSAGE * reseau_neuronal[i].neurone[j].dw[k]); // On modifie le poids du neurone à partir des données de la propagation en arrière
+            }
+        }
+    }
+}
+
+
+
+
+void initialisation_du_reseau_neuronal(int nb_couches, int* neurones_par_couche) {
+    /* 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 */
+    srand(time(0));
+    for (int i=0; i<nb_couches-1; i++) { // Pour chaque couche reliée à une suivante (donc on exclut la dernière)
+        for (int j=0; j<neurones_par_couche[i]-1; j++) { // Pour chaque neurone de la couche
+            // Initialisation des bornées supérieure et inférieure
+            double borne_superieure = 1/sqrt(neurones_par_couche[i]);
+            double borne_inferieure = - borne_superieure;
+            for (int k=0; k<neurones_par_couche[i+1]-1; k++) { // Pour chaque neurone de la couche suivante auquel le neurone est relié
+                reseau_neuronal[i].neurone[j].poids_sortants[k] = borne_inferieure + ((double)rand())/((double)RAND_MAX)*(borne_superieure - borne_inferieure); // Initialisation des poids sortants aléatoirement
+                reseau_neuronal[i].neurone[j].dw[k] = 0.0; // ... ???
+            }
+            if(i>0) // Pour tous les neurones n'étant pas dans la première couche
+                reseau_neuronal[i].neurone[j].biais = borne_inferieure + ((double)rand())/((double)RAND_MAX)*(borne_superieure - borne_inferieure); // On initialise le biais aléatoirement
+        }
+    }
+    double borne_superieure = 1/sqrt(neurones_par_couche[nb_couches-1]);
+    double borne_inferieure = - borne_superieure;
+    for (int j=0; j<neurones_par_couche[nb_couches-1]; j++) // Pour chaque neurone de la dernière couche
+        reseau_neuronal[nb_couches-1].neurone[j].biais = borne_inferieure + ((double)rand())/((double)RAND_MAX)*(borne_superieure - borne_inferieure); // On initialise le biais aléatoirement
+}
\ No newline at end of file
diff --git a/src/test_mnist.c b/src/test_mnist.c
deleted file mode 100644
index e69de29..0000000