#include #include #include #include // Is it used ? #include "include/backpropagation.h" #include "include/initialisation.h" #include "include/function.h" #include "include/creation.h" #include "include/update.h" #include "include/make.h" #include "../include/colors.h" #include "include/cnn.h" // Augmente les dimensions de l'image d'entrée #define PADDING_INPUT 2 int indice_max(float* tab, int n) { int indice = -1; float maxi = -FLT_MAX; for (int i=0; i < n; i++) { if (tab[i] > maxi) { maxi = tab[i]; indice = i; } } return indice; } int will_be_drop(int dropout_prob) { return (rand() % 100) < dropout_prob; } void write_image_in_network_32(int** image, int height, int width, float** input) { int padding = (32 - height)/2; for (int i=0; i < padding; i++) { for (int j=0; j < 32; j++) { input[i][j] = 0.; input[31-i][j] = 0.; input[j][i] = 0.; input[j][31-i] = 0.; } } for (int i=0; i < width; i++) { for (int j=0; j < height; j++) { input[i+2][j+2] = (float)image[i][j] / 255.0f; } } } void write_image_in_network_260(unsigned char* image, int height, int width, float*** input) { int size_input = 260; int padding = (size_input - height)/2; for (int i=0; i < padding; i++) { for (int j=0; j < size_input; j++) { for (int composante=0; composante < 3; composante++) { input[composante][i][j] = 0.; input[composante][size_input-1-i][j] = 0.; input[composante][j][i] = 0.; input[composante][j][size_input-1-i] = 0.; } } } for (int i=0; i < width; i++) { for (int j=0; j < height; j++) { for (int composante=0; composante < 3; composante++) { input[composante][i+2][j+2] = (float)image[(i*height+j)*3 + composante] / 255.0f; } } } } void forward_propagation(Network* network) { int n = network->size; // Nombre de couches du réseau, il contient n-1 kernels for (int i=0; i < n-1; i++) { /* * On procède kernel par kernel: * On considère à chaque fois une couche d'entrée, une couche de sortie et le kernel qui contient les informations * pour passer d'une couche à l'autre */ Kernel* k_i = network->kernel[i]; float*** input = network->input[i]; // Couche d'entrée int input_depth = network->depth[i]; // Dimensions de la couche d'entrée int input_width = network->width[i]; float*** output_z = network->input_z[i+1]; // Couche de sortie avant que la fonction d'activation ne lui soit appliquée float*** output = network->input[i+1]; // Couche de sortie int output_depth = network->depth[i+1]; // Dimensions de la couche de sortie int output_width = network->width[i+1]; int activation = k_i->activation; int pooling = k_i->pooling; if (k_i->nn) { drop_neurones(input, 1, 1, input_width, network->dropout); } else { drop_neurones(input, input_depth, input_width, input_width, network->dropout); } /* * Pour chaque couche excepté le pooling, on propage les valeurs de la couche précédente, * On copie les valeurs de output dans output_z, puis on applique la fonction d'activation à output_z */ if (k_i->cnn) { // Convolution make_convolution(k_i->cnn, input, output, output_width); copy_input_to_input_z(output, output_z, output_depth, output_width, output_width); apply_function_to_matrix(activation, output, output_depth, output_width); } else if (k_i->nn) { // Full connection if (k_i->linearisation == DOESNT_LINEARISE) { // Vecteur -> Vecteur make_dense(k_i->nn, input[0][0], output[0][0], input_width, output_width); } else { // Matrice -> Vecteur make_dense_linearized(k_i->nn, input, output[0][0], input_depth, input_width, output_width); } copy_input_to_input_z(output, output_z, 1, 1, output_width); apply_function_to_vector(activation, output, output_width); } else { // Pooling if (i == n-2) { printf_error("Le réseau ne peut pas finir par un pooling layer\n"); return; } else { // Pooling sur une matrice if (pooling == AVG_POOLING) { make_average_pooling(input, output, input_width/output_width, output_depth, output_width); } else if (pooling == MAX_POOLING) { make_max_pooling(input, output, input_width/output_width, output_depth, output_width); } else { printf_error("Impossible de reconnaître le type de couche de pooling: "); printf("identifiant: %d, position: %d\n", pooling, i); } } copy_input_to_input_z(output, output_z, output_depth, output_width, output_width); } } } void backward_propagation(Network* network, int wanted_number) { int n = network->size; // Nombre de couches du réseau // Backward sur la dernière couche qui utilise toujours SOFTMAX float* wanted_output = generate_wanted_output(wanted_number, network->width[network->size -1]); // Sortie désirée, permet d'initialiser une erreur softmax_backward_cross_entropy(network->input[n-1][0][0], wanted_output, network->width[n-1]); free(wanted_output); /* * On propage à chaque étape: * - les dérivées de l'erreur par rapport aux poids et biais, que l'on ajoute à ceux existants dans kernel->_->d_bias/d_weights * - les dérivées de l'erreur par rapport à chaque case de input, qui servent uniquement à la propagation des informations. * Ainsi, on écrase les valeurs contenues dans input, mais on utilise celles restantes dans input_z qui indiquent les valeurs avant * la composition par la fonction d'activation pour pouvoir continuer à remonter. */ for (int i=n-2; i >= 0; i--) { // Modifie 'k_i' à partir d'une comparaison d'informations entre 'input' et 'output' Kernel* k_i = network->kernel[i]; float*** input = network->input[i]; float*** input_z = network->input_z[i]; int input_depth = network->depth[i]; int input_width = network->width[i]; float*** output = network->input[i+1]; int output_depth = network->depth[i+1]; int output_width = network->width[i+1]; int activation = i==0?SIGMOID:network->kernel[i-1]->activation; if (k_i->cnn) { // Convolution ptr d_f = get_activation_function(-activation); backward_convolution(k_i->cnn, input, input_z, output, input_depth, input_width, output_depth, output_width, d_f, i==0); } else if (k_i->nn) { // Full connection ptr d_f = get_activation_function(-activation); if (k_i->linearisation == DOESNT_LINEARISE) { // Vecteur -> Vecteur backward_dense(k_i->nn, input[0][0], input_z[0][0], output[0][0], input_width, output_width, d_f, i==0); } else { // Matrice -> vecteur backward_linearisation(k_i->nn, input, input_z, output[0][0], input_depth, input_width, output_width, d_f); } } else { // Pooling if (k_i->pooling == AVG_POOLING) { backward_average_pooling(input, output, input_width, output_width, input_depth); // Depth pour input et output a la même valeur } else { backward_max_pooling(input, output, input_width, output_width, input_depth); // Depth pour input et output a la même valeur } } } } void drop_neurones(float*** input, int depth, int dim1, int dim2, int dropout) { for (int i=0; i < depth; i++) { for (int j=0; j < dim1; j++) { for (int k=0; k < dim2; k++) { if (will_be_drop(dropout)) input[i][j][k] = 0; } } } } void copy_input_to_input_z(float*** output, float*** output_z, int output_depth, int output_rows, int output_columns) { for (int i=0; i