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

Update forward

Browse Source
This commit is contained in:
Julien Chemillier 2022-04-12 14:05:19 +02:00
parent a16aec693c
commit 9eadb75887
1 changed files with 4 additions and 5 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

9
src/mnist/neural_network.c
View File

@ -87,12 +87,11 @@ void forward_propagation(Reseau* reseau_neuronal) {
couche->neurones[j]->z = couche->neurones[j]->biais; couche->neurones[j]->z = couche->neurones[j]->biais;
for (int k=0; k < pre_couche->nb_neurones; k++) { for (int k=0; k < pre_couche->nb_neurones; k++) {
couche->neurones[j]->z += pre_couche->neurones[k]->activation * pre_couche->neurones[k]->z * pre_couche->neurones[k]->poids_sortants[i]; // CHECK: ->poids_sortants[k] plutôt que i 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_neuronal->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); 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 else { // Pour la dernière couche on utilise la fonction sigmoid permettant d'obtenir un résultat entre 0 et 1 à savoir une probabilité
couche->neurones[j]->z = sigmoid(couche->neurones[j]->z); couche->neurones[j]->z = sigmoid(couche->neurones[j]->z);
@ -137,7 +136,7 @@ void backward_propagation(Reseau* reseau_neuronal, int* sortie_voulue) {
for(int k=0; k<reseau_neuronal->couches[reseau_neuronal->nb_couches-2]->nb_neurones; k++) { // Pour chaque neurone de l'avant dernière couche 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]; neurone2 = reseau_neuronal->couches[reseau_neuronal->nb_couches-2]->neurones[k];
neurone2->d_poids_sortants[i] = (neurone->d_z * neurone2->activation); neurone2->d_poids_sortants[i] = neurone->d_z;
neurone2->d_activation = neurone2->poids_sortants[i] * neurone->d_z; neurone2->d_activation = neurone2->poids_sortants[i] * neurone->d_z;
} }
// ??? // ???
@ -156,7 +155,7 @@ void backward_propagation(Reseau* reseau_neuronal, int* sortie_voulue) {
for(int k=0; k<reseau_neuronal->couches[i-1]->nb_neurones; k++) { for(int k=0; k<reseau_neuronal->couches[i-1]->nb_neurones; k++) {
neurone2 = reseau_neuronal->couches[i-1]->neurones[k]; neurone2 = reseau_neuronal->couches[i-1]->neurones[k];
neurone2->d_poids_sortants[j] = neurone->d_z * neurone2->activation; neurone2->d_poids_sortants[j] = neurone->d_z;
if(i>1) // ??? ... if(i>1) // ??? ...
neurone2->d_activation = neurone2->poids_sortants[j] * neurone->d_z; neurone2->d_activation = neurone2->poids_sortants[j] * neurone->d_z;
} }