From e91d1d3dbe49f63016e6bee41353835ad7aa55d2 Mon Sep 17 00:00:00 2001
From: augustin64 <augustin.lucas64@gmail.com>
Date: Fri, 25 Mar 2022 14:26:46 +0100
Subject: [PATCH] Typo

---
 src/neural_network.c | 97 +++++++++++++++++---------------------------
 1 file changed, 38 insertions(+), 59 deletions(-)

diff --git a/src/neural_network.c b/src/neural_network.c
index a9e7351..b035e0f 100644
--- a/src/neural_network.c
+++ b/src/neural_network.c
@@ -1,56 +1,35 @@
-/*---------------------------------------------------
-------------------------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)
+#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)
 
-//<> Le nombre de couche doit être supérieur à 2
+//<> Le nombre de couches doit être supérieur à 2
 
 /*---------------------------------------------------
------------------------Macros----------------------
----------------------------------------------------*/
-
-
-
-
-/*---------------------------------------------------
-----------------------Structure----------------------
+----------------------Structures---------------------
 ---------------------------------------------------*/
 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 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;
+    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
+    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----------------------
 ---------------------------------------------------*/
@@ -69,17 +48,17 @@ 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 */
+    partir du nombre de couches et de la liste du nombre de neurones 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 = (couche_struct*)malloc(sizeof(couche_struct)*nb_couches); // Création des différentes couches
+    for (int i=0; i<nb_couches; i++) {
 
-        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
+        reseau_neuronal[i].nb_neurone = neurones_par_couche[i]; // nombre de neurones pour la couche
+        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
+            for (int j=0; j<neurones_par_couche[i]; j++) {
+                reseau_neuronal[i].neurone[j].poids_sortants = (float*)malloc(sizeof(float)*neurones_par_couche[i+1]) ;// Création des poids sortants du neurone
             }
         }
     }
@@ -93,9 +72,9 @@ void suppression_du_reseau_neuronal(int nb_couches, int* neurones_par_couche) {
     '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
+    for (int i=0; i<nb_couches; i++) {
         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
+            for (int j=0; j<neurones_par_couche[i]; j++) {
                 free(reseau_neuronal[i].neurone[j].poids_sortants); // On libère la variables des poids sortants
             }
         }
@@ -109,9 +88,9 @@ void suppression_du_reseau_neuronal(int nb_couches, int* neurones_par_couche) {
 
 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 */
+    de couches et de la liste du nombre de neurones 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 i=1; i<nb_couches; i++) { // La première couche contient 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
@@ -136,8 +115,8 @@ 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) {
-    /* 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
+    /* 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* sortie_voulue = (int*)malloc(sizeof(int));
@@ -152,11 +131,11 @@ int* creation_de_la_sortie_voulue(int nb_couches, int* neurones_par_couche, int
 
 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 
+    nombre de couches, 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
+    for (int i=0; i<neurones_par_couche[nb_couches-1]; i++) {
         // 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);
 
@@ -169,13 +148,13 @@ void backward_propagation(int nb_couches, int* neurones_par_couche, int* sortie_
     }
 
     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
+        for(int j=0; j<neurones_par_couche[i]; j++) {
             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
+            for(int k=0; k<neurones_par_couche[i-1]; k++) {
                 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;
@@ -193,10 +172,10 @@ 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
+    for (int i=0; i<nb_couches-1; i++) { // on exclut la dernière couche
+        for (int j=0; i<neurones_par_couche[i]; j++) {
             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
+            for (int k=0; k<neurones_par_couche[i+1]; k++) {
                 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
             }
         }
@@ -210,9 +189,9 @@ 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
+    for (int i=0; i<nb_couches-1; i++) { // on exclut la dernière couche
+        for (int j=0; j<neurones_par_couche[i]-1; j++) {
+            // Initialisation des bornes 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
@@ -227,4 +206,4 @@ void initialisation_du_reseau_neuronal(int nb_couches, int* neurones_par_couche)
     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
+}