augustin64/tipe
1
1
Fork 0
mirror of https://github.com/augustin64/projet-tipe synced 2025-02-03 10:48:01 +01:00
Code Issues Packages Projects Releases Wiki Activity

Add softmax

Browse Source
This commit is contained in:
Julien Chemillier 2022-04-25 10:09:47 +02:00
parent a57e908fe4
commit a8accfe409
3 changed files with 53 additions and 21 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

14
src/mnist/main.c
View File

@ -58,7 +58,7 @@ void train(int batches, int couches, int neurons, char* recovery, char* image_fi
//int* repartition = malloc(sizeof(int)*couches); //int* repartition = malloc(sizeof(int)*couches);
int nb_neurones_der = 10; int nb_neurones_der = 10;
int repartition[4] = {784, 16, 16, nb_neurones_der}; int repartition[3] = {784, 32, nb_neurones_der};
float* sortie = malloc(sizeof(float)*nb_neurones_der); float* sortie = malloc(sizeof(float)*nb_neurones_der);
int* sortie_voulue; int* sortie_voulue;
@ -99,6 +99,7 @@ void train(int batches, int couches, int neurons, char* recovery, char* image_fi
ecrire_image_dans_reseau(images[j], reseau, height, width); ecrire_image_dans_reseau(images[j], reseau, height, width);
sortie_voulue = creation_de_la_sortie_voulue(reseau, labels[j]); sortie_voulue = creation_de_la_sortie_voulue(reseau, labels[j]);
forward_propagation(reseau); forward_propagation(reseau);
backward_propagation(reseau, sortie_voulue);
for (int k=0; k < nb_neurones_der; k++) { for (int k=0; k < nb_neurones_der; k++) {
sortie[k] = der_couche->neurones[k]->z; sortie[k] = der_couche->neurones[k]->z;
@ -106,13 +107,10 @@ void train(int batches, int couches, int neurons, char* recovery, char* image_fi
if (indice_max(sortie, nb_neurones_der) == labels[j]) { if (indice_max(sortie, nb_neurones_der) == labels[j]) {
accuracy += 1. / (float)nb_images; accuracy += 1. / (float)nb_images;
} }
free(sortie_voulue);
backward_propagation(reseau, sortie_voulue);
} }
printf("\rBatch [%d/%d]\tImage [%d/%d]\tAccuracy: %0.1f%%\n",i, batches, nb_images, nb_images, accuracy*100);
modification_du_reseau_neuronal(reseau, nb_images); modification_du_reseau_neuronal(reseau, 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); ecrire_reseau(out, reseau);
} }
suppression_du_reseau_neuronal(reseau); suppression_du_reseau_neuronal(reseau);
@ -217,8 +215,8 @@ int main(int argc, char* argv[]) {
exit(1); exit(1);
} }
if (! strcmp(argv[1], "train")) { if (! strcmp(argv[1], "train")) {
int batches = 5; int batches = 100;
int couches = 4; int couches = 3;
int neurons = 784; int neurons = 784;
char* images = NULL; char* images = NULL;
char* labels = NULL; char* labels = NULL;

58
src/mnist/neural_network.c
View File

@ -10,12 +10,13 @@
// Définit le taux d'apprentissage du réseau neuronal, donc la rapidité d'adaptation du modèle (compris entre 0 et 1) // 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) //Cette valeur peut évoluer au fur et à mesure des époques (linéaire c'est mieux)
#define TAUX_APPRENTISSAGE 0.015 #define TAUX_APPRENTISSAGE 2.
//Retourne un nombre aléatoire entre 0 et 1 //Retourne un nombre aléatoire entre 0 et 1
#define RAND_DOUBLE() ((double)rand())/((double)RAND_MAX) #define RAND_DOUBLE() ((double)rand())/((double)RAND_MAX)
//Coefficient leaking ReLU //Coefficient leaking ReLU
#define COEFF_LEAKY_RELU 0.2 #define COEFF_LEAKY_RELU 0.2
#define MAX_RESEAU 100000 #define MAX_RESEAU 100000
#define INT_MIN -2147483648
#define PRINT_POIDS false #define PRINT_POIDS false
#define PRINT_BIAIS false #define PRINT_BIAIS false
@ -65,6 +66,7 @@ void creation_du_reseau_neuronal(Reseau* reseau, int* neurones_par_couche, int n
if (i != reseau->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]->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]->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]);
} }
} }
} }
@ -98,8 +100,12 @@ void forward_propagation(Reseau* reseau) {
trouve dans la dernière couche */ trouve dans la dernière couche */
Couche* couche; // Couche actuelle Couche* couche; // Couche actuelle
Couche* pre_couche; // Couche précédente Couche* pre_couche; // Couche précédente
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 < reseau->nb_couches; i++) { // La première couche contient déjà des valeurs
sum = 0;
max_z = INT_MIN;
couche = reseau->couches[i]; couche = reseau->couches[i];
pre_couche = reseau->couches[i-1]; pre_couche = reseau->couches[i-1];
@ -113,10 +119,19 @@ void forward_propagation(Reseau* reseau) {
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) 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); 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 } 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); max_z = max(max_z, couche->neurones[j]->z);
} }
} }
} }
int last_layer = reseau->nb_couches-1;
int size_last_layer = reseau->couches[last_layer]->nb_neurones;
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;
}
for (int j=0; j < size_last_layer; j++) {
reseau->couches[last_layer]->neurones[j]->z = reseau->couches[last_layer]->neurones[j]->z / sum;
}
} }
@ -144,15 +159,20 @@ void backward_propagation(Reseau* reseau, int* sortie_voulue) {
Neurone* neurone; Neurone* neurone;
Neurone* neurone2; Neurone* neurone2;
float changes; float changes;
float tmp;
int i = reseau->nb_couches-2; int i = reseau->nb_couches-2;
// On commence par parcourir tous les neurones de la couche finale // On commence par parcourir tous les neurones de la couche finale
for (int j=0; j < reseau->couches[i+1]->nb_neurones; j++) { for (int j=0; j < reseau->couches[i+1]->nb_neurones; j++) {
neurone = reseau->couches[i+1]->neurones[j]; neurone = reseau->couches[i+1]->neurones[j];
changes = sigmoid_derivee(neurone->z)*2*(neurone->z - sortie_voulue[j]); tmp = (sortie_voulue[j]==1) ? neurone->z - 1 : neurone->z;
for (int k=0; k < reseau->couches[i]->nb_neurones; k++) { 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]->poids_sortants[j]*changes; 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);
} }
neurone->d_biais += tmp;
//printf("\n%f", neurone->d_biais);
} }
i--; i--;
for (; i >= 0; i--) { for (; i >= 0; i--) {
@ -160,13 +180,15 @@ void backward_propagation(Reseau* reseau, int* sortie_voulue) {
changes = 0; changes = 0;
for (int k=0; k < reseau->couches[i+2]->nb_neurones; k++) { 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]); //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]->d_poids_sortants[k])/reseau->couches[i+1]->nb_neurones; 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;
} }
changes = changes*leaky_ReLU_derivee(reseau->couches[i+1]->neurones[j]->z); 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]->d_biais += changes;
reseau->couches[i+1]->neurones[j]->last_d_biais = changes;
for (int l=0; l < reseau->couches[i]->nb_neurones; l++){ for (int l=0; l < reseau->couches[i]->nb_neurones; l++){
//printf("%f\n", changes); //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]->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;
} }
} }
} }
@ -180,7 +202,7 @@ void modification_du_reseau_neuronal(Reseau* reseau, uint32_t nb_modifs) {
du nombre de couches et de la liste du nombre de neurone par couche */ du nombre de couches et de la liste du nombre de neurone par couche */
Neurone* neurone; Neurone* neurone;
for (int i=0; i < reseau->nb_couches-1; i++) { // on exclut la dernière couche 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++) { for (int j=0; j < reseau->couches[i]->nb_neurones; j++) {
neurone = reseau->couches[i]->neurones[j]; neurone = reseau->couches[i]->neurones[j];
if (neurone->biais != 0 && PRINT_BIAIS) if (neurone->biais != 0 && PRINT_BIAIS)
@ -194,16 +216,22 @@ void modification_du_reseau_neuronal(Reseau* reseau, uint32_t nb_modifs) {
else if (neurone->biais < -MAX_RESEAU) else if (neurone->biais < -MAX_RESEAU)
neurone->biais = -MAX_RESEAU; neurone->biais = -MAX_RESEAU;
if (i!=reseau->nb_couches-1) {
for (int k=0; k < reseau->couches[i+1]->nb_neurones; k++) { for (int k=0; k < reseau->couches[i+1]->nb_neurones; k++) {
if (neurone->poids_sortants[k] != 0 && PRINT_POIDS) 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]); 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->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; neurone->d_poids_sortants[k] = 0;
if (neurone->poids_sortants[k] > MAX_RESEAU) if (neurone->poids_sortants[k] > MAX_RESEAU) {
neurone->poids_sortants[k] = MAX_RESEAU; neurone->poids_sortants[k] = MAX_RESEAU;
else if (neurone->poids_sortants[k] < -MAX_RESEAU) printf("Erreur, max du réseau atteint");
}
else if (neurone->poids_sortants[k] < -MAX_RESEAU) {
neurone->poids_sortants[k] = -MAX_RESEAU; neurone->poids_sortants[k] = -MAX_RESEAU;
printf("Erreur, min du réseau atteint");
}
}
} }
} }
} }
@ -233,10 +261,14 @@ void initialisation_du_reseau_neuronal(Reseau* reseau) {
neurone->activation = borne_inferieure + RAND_DOUBLE()*ecart_bornes; neurone->activation = borne_inferieure + RAND_DOUBLE()*ecart_bornes;
for (int k=0; k < reseau->couches[i+1]->nb_neurones; k++) { // Pour chaque neurone de la couche suivante auquel le neurone est relié 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; // Initialisation des poids sortants aléatoirement 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 > 0) {// Pour tous les neurones n'étant pas dans la première couche if (i > 0) {// Pour tous les neurones n'étant pas dans la première couche
neurone->biais = borne_inferieure + RAND_DOUBLE()*ecart_bornes; // On initialise le biais aléatoirement neurone->biais = borne_inferieure + RAND_DOUBLE()*ecart_bornes;
neurone->d_biais = 0;
neurone->last_d_biais = 0;
} }
} }
} }
@ -246,9 +278,9 @@ void initialisation_du_reseau_neuronal(Reseau* reseau) {
for (int j=0; j < reseau->couches[reseau->nb_couches-1]->nb_neurones; j++) {// Intialisation de la dernière couche exclue ci-dessus 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 = reseau->couches[reseau->nb_couches-1]->neurones[j];
//Il y a pas de biais et activation variables pour la dernière couche neurone->biais = borne_inferieure + RAND_DOUBLE()*ecart_bornes;
neurone->activation = 1; neurone->d_biais = 0;
neurone->biais = 0; neurone->last_d_biais = 0;
} }
} }

2
src/mnist/struct/neuron.h
View File

@ -9,7 +9,9 @@ typedef struct Neurone{
float d_activation; // Changement d'activation lors de la backpropagation float d_activation; // Changement d'activation lors de la backpropagation
float *d_poids_sortants; // Changement des poids sortants lors de la backpropagation float *d_poids_sortants; // Changement des poids sortants lors de la backpropagation
float *last_d_poids_sortants;
float d_biais; // Changement du biais lors de la backpropagation float d_biais; // Changement du biais lors de la backpropagation
float last_d_biais;
float d_z; // Quantité de changements générals à effectuer lors de la backpropagation float d_z; // Quantité de changements générals à effectuer lors de la backpropagation
} Neurone; } Neurone;