diff --git a/src/mnist/neural_network.c b/src/mnist/neural_network.c
index 2887b19..e3a711b 100644
--- a/src/mnist/neural_network.c
+++ b/src/mnist/neural_network.c
@@ -9,23 +9,39 @@
 #define TAUX_APPRENTISSAGE 0.15 // Définit le taux d'apprentissage du réseau neuronal, donc la rapidité d'adaptation du modèle (compris entre 0 et 1)
 
 
+float max(float a, float b){
+    return a<b?b:a;
+}
+
+float sigmoid(float x){
+    return 1/(1 + exp(x));
+}
+
+float sigmoid_derivee(float x){
+    float tmp = exp(-x);
+    return tmp/((1 + tmp)*(1+tmp));
+}
+
+float ReLU(float x){
+    return max(x, 0);
+}
 
 void creation_du_reseau_neuronal(Reseau* reseau_neuronal, int* neurones_par_couche, int nb_couches) {
-    /* Créé les différentes variables dans la variable du réseau neuronal à
-    partir du nombre de couches et de la liste du nombre de neurones par couche */
+    /* Créé et alloue de la mémoire aux différentes variables dans le réseau neuronal*/
+
     reseau_neuronal->nb_couches = nb_couches;
-    reseau_neuronal->couches = (Couche**)malloc(sizeof(Couche*)*nb_couches); // Création des différentes couches
+    reseau_neuronal->couches = (Couche**)malloc(sizeof(Couche*)*nb_couches); // 
 
     for (int i=0; i < nb_couches; i++) {
 
-        reseau_neuronal->couches[i] = (Couche*)malloc(sizeof(Couche));
+        reseau_neuronal->couches[i] = (Couche*)malloc(sizeof(Couche)); // Utilité ? 
         reseau_neuronal->couches[i]->nb_neurones = neurones_par_couche[i]; // nombre de neurones pour la couche
         reseau_neuronal->couches[i]->neurones = (Neurone**)malloc(sizeof(Neurone*)*reseau_neuronal->couches[i]->nb_neurones); // Création des différents neurones dans la couche
         for (int j=0; j < reseau_neuronal->couches[i]->nb_neurones; j++) {
             reseau_neuronal->couches[i]->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
                 reseau_neuronal->couches[i]->neurones[j]->poids_sortants = (float*)malloc(sizeof(float)*neurones_par_couche[i+1]);// Création des poids sortants du neurone
-                reseau_neuronal->couches[i]->neurones[j]->dw= (float*)malloc(sizeof(float)*neurones_par_couche[i+1]);
+                reseau_neuronal->couches[i]->neurones[j]->d_poids_sortants = (float*)malloc(sizeof(float)*neurones_par_couche[i+1]);
             }
         }
     }
@@ -36,13 +52,13 @@ void creation_du_reseau_neuronal(Reseau* reseau_neuronal, int* neurones_par_couc
 
 void suppression_du_reseau_neuronal(Reseau* reseau_neuronal) {
     /* 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 */
+    'creation_du_reseau_neuronal' */
 
     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); // On libère la variables des poids sortants
+                free(reseau_neuronal->couches[i]->neurones[j]->poids_sortants);
+                free(reseau_neuronal->couches[i]->neurones[j]->d_poids_sortants);
             }
         }
         free(reseau_neuronal->couches[i]->neurones); // On libère enfin la liste des neurones de la couche
@@ -54,25 +70,24 @@ void suppression_du_reseau_neuronal(Reseau* reseau_neuronal) {
 
 
 void forward_propagation(Reseau* reseau_neuronal) {
-    /* Effectue une propagation en avant du réseau neuronal à partir du nombre
-    de couches et de la liste du nombre de neurones par couche */
+    /* 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*/
 
     for (int i=1; i<reseau_neuronal->nb_couches; i++) { // La première couche contient déjà des valeurs
-        for (int j=0; j<reseau_neuronal->couches[i]->nb_neurones;j++) { // Pour chaque neurone de la couche
+        for (int j=0; j<reseau_neuronal->couches[i]->nb_neurones; j++) {
         
-            reseau_neuronal->couches[i]->neurones[j]->z = reseau_neuronal->couches[i]->neurones[j]->biais; // On réinitialise l'utilisation actuelle du neurone à son biais
+            reseau_neuronal->couches[i]->neurones[j]->z = reseau_neuronal->couches[i]->neurones[j]->biais;
             for (int k=0; k<reseau_neuronal->couches[i-1]->nb_neurones; k++) {
                 reseau_neuronal->couches[i]->neurones[j]->z += reseau_neuronal->couches[i-1]->neurones[k]->activation * reseau_neuronal->couches[i-1]->neurones[k]->z * reseau_neuronal->couches[i-1]->neurones[k]->poids_sortants[i]; // ???
             }
 
-            if (i<reseau_neuronal->nb_couches-1) { // Pour toutes les couches sauf la dernière on utilise la fonction relu
-                if (reseau_neuronal->couches[i]->neurones[j]->z < 0)
-                    reseau_neuronal->couches[i]->neurones[j]->activation = 0;
-                else
-                    reseau_neuronal->couches[i]->neurones[j]->activation = reseau_neuronal->couches[i]->neurones[j]->z;
+            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)
+                reseau_neuronal->couches[i]->neurones[j]->z=ReLU(reseau_neuronal->couches[i]->neurones[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->couches[i]->neurones[j]->activation = 1/(1 + exp(reseau_neuronal->couches[i]->neurones[j]->activation));
+            else{ // Pour la dernière couche on utilise la fonction sigmoid permettant d'obtenir un résultat entre 0 et 1 à savoir une probabilité
+                reseau_neuronal->couches[i]->neurones[j]->z = sigmoid(reseau_neuronal->couches[i]->neurones[j]->z);
             }
         }
     }
@@ -97,36 +112,34 @@ int* creation_de_la_sortie_voulue(Reseau* reseau_neuronal, int pos_nombre_voulu)
 
 
 void backward_propagation(Reseau* reseau_neuronal, int* sortie_voulue) {
-    /* Effectue une propagation en arrière du réseau neuronal à partir du
-    nombre de couches, de la liste du nombre de neurone par couche  et de 
-    la liste des sorties voulues*/
+    /* Effectue une propagation en arrière du réseau neuronal */
 
     // 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++) {
-        // On applique la formule de propagation en arrière 
-        reseau_neuronal->couches[reseau_neuronal->nb_couches-1]->neurones[i]->dz = (reseau_neuronal->couches[reseau_neuronal->nb_couches-1]->neurones[i]->activation - sortie_voulue[i]) * (reseau_neuronal->couches[reseau_neuronal->nb_couches-1]->neurones[i]->activation) * (1- reseau_neuronal->couches[reseau_neuronal->nb_couches-1]->neurones[i]->activation);
+        // On calcule l'erreur de la sortie 
+        reseau_neuronal->couches[reseau_neuronal->nb_couches-1]->neurones[i]->d_z = (reseau_neuronal->couches[reseau_neuronal->nb_couches-1]->neurones[i]->z - sortie_voulue[i])*(reseau_neuronal->couches[reseau_neuronal->nb_couches-1]->neurones[i]->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
-            reseau_neuronal->couches[reseau_neuronal->nb_couches-2]->neurones[k]->dw[i] = (reseau_neuronal->couches[reseau_neuronal->nb_couches-1]->neurones[i]->dz * reseau_neuronal->couches[reseau_neuronal->nb_couches-2]->neurones[k]->activation);
-            reseau_neuronal->couches[reseau_neuronal->nb_couches-2]->neurones[k]->dactivation = reseau_neuronal->couches[reseau_neuronal->nb_couches-2]->neurones[k]->poids_sortants[i] * reseau_neuronal->couches[reseau_neuronal->nb_couches-1]->neurones[i]->dz;
+            reseau_neuronal->couches[reseau_neuronal->nb_couches-2]->neurones[k]->d_poids_sortants[i] = (reseau_neuronal->couches[reseau_neuronal->nb_couches-1]->neurones[i]->d_z * reseau_neuronal->couches[reseau_neuronal->nb_couches-2]->neurones[k]->activation);
+            reseau_neuronal->couches[reseau_neuronal->nb_couches-2]->neurones[k]->d_activation = reseau_neuronal->couches[reseau_neuronal->nb_couches-2]->neurones[k]->poids_sortants[i] * reseau_neuronal->couches[reseau_neuronal->nb_couches-1]->neurones[i]->d_z;
         }
         // ???
-        reseau_neuronal->couches[reseau_neuronal->nb_couches-1]->neurones[i]->dbiais = reseau_neuronal->couches[reseau_neuronal->nb_couches-1]->neurones[i]->dz;
+        reseau_neuronal->couches[reseau_neuronal->nb_couches-1]->neurones[i]->d_biais = reseau_neuronal->couches[reseau_neuronal->nb_couches-1]->neurones[i]->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++) {
             if(reseau_neuronal->couches[i]->neurones[j]->z >= 0) // ??? ...
-                reseau_neuronal->couches[i]->neurones[j]->dz = reseau_neuronal->couches[i]->neurones[j]->dactivation;
+                reseau_neuronal->couches[i]->neurones[j]->d_z = reseau_neuronal->couches[i]->neurones[j]->d_activation;
             else // ??? ...
-                reseau_neuronal->couches[i]->neurones[j]->dz = 0;
+                reseau_neuronal->couches[i]->neurones[j]->d_z = 0;
 
             for(int k=0; k<reseau_neuronal->couches[i-1]->nb_neurones; k++) {
-                reseau_neuronal->couches[i-1]->neurones[k]->dw[j] = reseau_neuronal->couches[i]->neurones[j]->dz * reseau_neuronal->couches[i-1]->neurones[k]->activation;
+                reseau_neuronal->couches[i-1]->neurones[k]->d_poids_sortants[j] = reseau_neuronal->couches[i]->neurones[j]->d_z * reseau_neuronal->couches[i-1]->neurones[k]->activation;
                 if(i>1) // ??? ...
-                    reseau_neuronal->couches[i-1]->neurones[k]->dactivation = reseau_neuronal->couches[i-1]->neurones[k]->poids_sortants[j] * reseau_neuronal->couches[i]->neurones[j]->dz;
+                    reseau_neuronal->couches[i-1]->neurones[k]->d_activation = reseau_neuronal->couches[i-1]->neurones[k]->poids_sortants[j] * reseau_neuronal->couches[i]->neurones[j]->d_z;
             }
-            reseau_neuronal->couches[i]->neurones[j]->dbiais = reseau_neuronal->couches[i]->neurones[j]->dz; // ??? ...
+            reseau_neuronal->couches[i]->neurones[j]->d_biais = reseau_neuronal->couches[i]->neurones[j]->d_z; // ??? ...
         }
     }
 
@@ -141,9 +154,9 @@ void modification_du_reseau_neuronal(Reseau* reseau_neuronal) {
 
     for (int i=0; i<reseau_neuronal->nb_couches-1; i++) { // on exclut la dernière couche
         for (int j=0; i<reseau_neuronal->couches[i]->nb_neurones; j++) {
-            reseau_neuronal->couches[i]->neurones[j]->biais = reseau_neuronal->couches[i]->neurones[j]->biais - (TAUX_APPRENTISSAGE * reseau_neuronal->couches[i]->neurones[j]->dbiais); // On modifie le biais du neurone à partir des données de la propagation en arrière
+            reseau_neuronal->couches[i]->neurones[j]->biais = reseau_neuronal->couches[i]->neurones[j]->biais - (TAUX_APPRENTISSAGE * reseau_neuronal->couches[i]->neurones[j]->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++) {
-                reseau_neuronal->couches[i]->neurones[j]->poids_sortants[k] = reseau_neuronal->couches[i]->neurones[j]->poids_sortants[k] - (TAUX_APPRENTISSAGE * reseau_neuronal->couches[i]->neurones[j]->dw[k]); // On modifie le poids du neurone à partir des données de la propagation en arrière
+                reseau_neuronal->couches[i]->neurones[j]->poids_sortants[k] = reseau_neuronal->couches[i]->neurones[j]->poids_sortants[k] - (TAUX_APPRENTISSAGE * reseau_neuronal->couches[i]->neurones[j]->d_poids_sortants[k]); // On modifie le poids du neurone à partir des données de la propagation en arrière
             }
         }
     }
@@ -156,14 +169,15 @@ void initialisation_du_reseau_neuronal(Reseau* reseau_neuronal) {
     /* 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<reseau_neuronal->nb_couches-1; i++) { // on exclut la dernière couche
+    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++) {
             // Initialisation des bornes supérieure et inférieure
             double borne_superieure = 1/sqrt(reseau_neuronal->couches[i]->nb_neurones);
             double borne_inferieure = - borne_superieure;
+            reseau_neuronal->couches[i]->neurones[j]->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
                 reseau_neuronal->couches[i]->neurones[j]->poids_sortants[k] = borne_inferieure + ((double)rand())/((double)RAND_MAX)*(borne_superieure - borne_inferieure); // Initialisation des poids sortants aléatoirement
-                reseau_neuronal->couches[i]->neurones[j]->dw[k] = 0.0; // ... ???
+                reseau_neuronal->couches[i]->neurones[j]->d_poids_sortants[k] = 0.0; // ... ???
             }
             if (i > 0) {// Pour tous les neurones n'étant pas dans la première couche
                 reseau_neuronal->couches[i]->neurones[j]->biais = borne_inferieure + ((double)rand())/((double)RAND_MAX)*(borne_superieure - borne_inferieure); // On initialise le biais aléatoirement
@@ -172,7 +186,8 @@ void initialisation_du_reseau_neuronal(Reseau* reseau_neuronal) {
     }
     double borne_superieure = 1/sqrt(reseau_neuronal->couches[reseau_neuronal->nb_couches-1]->nb_neurones);
     double borne_inferieure = - borne_superieure;
-    for (int j=0; j < reseau_neuronal->couches[reseau_neuronal->nb_couches-1]->nb_neurones; j++) {// Pour chaque neurone de la dernière couche
+    for (int j=0; j < reseau_neuronal->couches[reseau_neuronal->nb_couches-1]->nb_neurones; j++) {// Intialisation de la dernière couche exclut ci-dessus
+        reseau_neuronal->couches[reseau_neuronal->nb_couches-1]->neurones[j]->activation = borne_inferieure + ((double)rand())/((double)RAND_MAX)*(borne_superieure - borne_inferieure);
         reseau_neuronal->couches[reseau_neuronal->nb_couches-1]->neurones[j]->biais = borne_inferieure + ((double)rand())/((double)RAND_MAX)*(borne_superieure - borne_inferieure); // On initialise le biais aléatoirement
     }
 }
diff --git a/src/mnist/neural_network.h b/src/mnist/neural_network.h
index 82a07c7..bd635fd 100644
--- a/src/mnist/neural_network.h
+++ b/src/mnist/neural_network.h
@@ -9,6 +9,10 @@
 #ifndef DEF_NEURAL_NETWORK_H
 #define DEF_NEURAL_NETWORK_H
 
+float max(float a, float b);
+float sigmoid(float x);
+float sigmoid_derivee(float x);
+float ReLU(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);
diff --git a/src/mnist/neuron_io.c b/src/mnist/neuron_io.c
index 09f148f..36ead94 100644
--- a/src/mnist/neuron_io.c
+++ b/src/mnist/neuron_io.c
@@ -21,19 +21,19 @@ Neurone* lire_neurone(uint32_t nb_poids_sortants, FILE *ptr) {
     neurone->biais = biais;
 
     neurone->z = 0.0;
-    neurone->dactivation = 0.0;
-    neurone->dbiais = 0.0;
-    neurone->dz = 0.0;
+    neurone->d_activation = 0.0;
+    neurone->d_biais = 0.0;
+    neurone->d_z = 0.0;
 
     float* poids_sortants = malloc(sizeof(float)*nb_poids_sortants);
 
-    neurone->dw = malloc(sizeof(float)*nb_poids_sortants);
+    neurone->d_poids_sortants = malloc(sizeof(float)*nb_poids_sortants);
     neurone->poids_sortants = poids_sortants;
 
     for (int i=0; i < nb_poids_sortants; i++) {
         fread(&tmp, sizeof(float), 1, ptr);
         neurone->poids_sortants[i] = tmp;
-        neurone->dw[i] = 0.0;
+        neurone->d_poids_sortants[i] = 0.0;
     }
 
     return neurone;
diff --git a/src/mnist/struct/neuron.h b/src/mnist/struct/neuron.h
index e9f4acf..bf41f86 100644
--- a/src/mnist/struct/neuron.h
+++ b/src/mnist/struct/neuron.h
@@ -7,21 +7,21 @@ typedef struct 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;
+    float d_activation; // Changement d'activation lors de la backpropagation
+    float *d_poids_sortants; // Changement des poids sortants lors de la backpropagation
+    float d_biais; // Changement du biais lors de la backpropagation
+    float d_z; // Quantité de changements générals à effectuer lors de la backpropagation
 } Neurone;
 
 
 typedef struct Couche{
-    int nb_neurones; // Nombre de neurones dans la couche (longueur de la liste ci-dessous)
-    Neurone** neurones; // Liste des neurones dans la 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 Reseau{
-    int nb_couches;
-    Couche** couches;
+    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;
 
 #endif
\ No newline at end of file
diff --git a/test/neuron_io.c b/test/neuron_io.c
index 9ce00ac..8072cac 100644
--- a/test/neuron_io.c
+++ b/test/neuron_io.c
@@ -9,18 +9,18 @@
 Neurone* creer_neurone(int nb_sortants) {
     Neurone* neurone = malloc(2*sizeof(float*)+6*sizeof(float));
     neurone->poids_sortants = malloc(sizeof(float)*nb_sortants);
-    neurone->dw = malloc(sizeof(float)*nb_sortants);
+    neurone->d_poids_sortants = malloc(sizeof(float)*nb_sortants);
 
     for (int i=0; i < nb_sortants; i++) {
         neurone->poids_sortants[i] = 0.5;
-        neurone->dw[i] = 0.0;
+        neurone->d_poids_sortants[i] = 0.0;
     }
     neurone->activation = 0.0;
     neurone->biais = 0.0;
     neurone->z = 0.0;
-    neurone->dactivation = 0.0;
-    neurone->dbiais = 0.0;
-    neurone->dz = 0.0;
+    neurone->d_activation = 0.0;
+    neurone->d_biais = 0.0;
+    neurone->d_z = 0.0;
 
     return neurone;
 }