1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342
| #include <stdlib.h>
#include <stdio.h>
#include <math.h>
#include <time.h>
////////////////////////////////////////////////////////////////////////////////
//debut des structures de donnees
#define coef 2.0 //pente de la fonction sigmoide en zero
#define coed 1.0 //demi-pente (pour l'oprerateur derive)
// sera lue dans le fichier #define diment 26 //dimension de l'espace d'entree
#define dimsor 1 //dimension de l'espace de sortie
#define maxcar 50 //nombre maximum de caracteres pour les noms des fichiers
typedef struct // -- structure d'un neurone --
{
int nbent; //nombre d'entrees du neurone
double *x; //tableau des entrees X
double *w; //tableau des poids W
double a; //activation (somme ponderee des entrees = somme(WiXi))
double s; //sortie (fonction sigmoide de l'activation =f(a))
double y; //gradient
}strucNeurone;
typedef struct // -- structure d'une couche --
{
int nbneu; //nombre de neurones
strucNeurone *neurone; //tableau de neurones
}strucCouche;
typedef struct // -- structure d'un reseau --
{
int nbcou; //nombre de couches
strucCouche *couche; //tableau de couches
}strucReseau;
typedef struct // -- base d'exemples --
{
int nbex; //nombre d'exemples
double **xx; //vecteurs des entrees
double **sd; //vecteurs des sorties desirees
}strucBase;
strucReseau res; //le reseau MLP
char nficapp[maxcar]; //nom du fichier d'apprentissage
char nficgen[maxcar]; //nom du fichier de generalisation
strucBase app,gen; //les bases d'apprentissage et de generalisation
char nresult[maxcar]; //nom du fichier de stockage des resultats
FILE *ficresu; //fichier dans lequel on stockera les parametres et les resultats
float alpha; //coefficient d'apprentissage (pas de gradient)
int nbpass; //nombre de passes de la base d'exemples
int diment; //dimension d'entree
//fin des structures de donnees
/////////////////////////////////////////////////////////////////
//fonctions mathematiques ///////////////////
double sigmo(double a) //fonction sigmoide -- s'applique a l'activation a
{
double aux;
aux=exp(coef*a);
return((aux-1)/(aux+1)); //fonction impaire, a valeurs dans ]-1;+1[
}
double deriv(double fa) //operateur derive -- s'applique a la sortie s=f(a)
{
return(coed*(1+fa)*(1-fa)); //formule pour calculer f'(a) a partir de f(a)
}
//procedures d'initialisation ///////////////////
void initNeurone(int i, int k)
{
int j;
// printf("initialisation du neurone %d de la couche %d\n",i+1,k);
res.couche[k].neurone[i].nbent=res.couche[k-1].nbneu;
res.couche[k].neurone[i].x=(double*)malloc(sizeof(double)*res.couche[k].neurone[i].nbent);
res.couche[k].neurone[i].w=(double*)malloc(sizeof(double)*res.couche[k].neurone[i].nbent);;
for (j=0;j<res.couche[k].neurone[i].nbent;j++)
{ res.couche[k].neurone[i].w[j]=0.6*rand()/RAND_MAX-0.3; //poids initiaux dans [-0.3;+0.3]
// printf("w[%d,%d,%d]=%lf\t",i,j,k,res.couche[k].neurone[i].w[j]);
}
}
void initCouche(int k)
{
int i;
printf("initialisation de la couche %d\n",k);
if (k==0) // couche d'entree
res.couche[k].nbneu=diment;
else if (k==res.nbcou-1) // couche de sortie
res.couche[k].nbneu=dimsor;
else // couches cachees
{ printf("\nNombre de neurones sur la couche cachee %d : ",k);
scanf("\n%d",&res.couche[k].nbneu);
fprintf(ficresu,"Nombre de neurones sur la couche cachee %d : %d\n",k,res.couche[k].nbneu);
}
res.couche[k].neurone=(strucNeurone*)malloc(sizeof(strucNeurone)*res.couche[k].nbneu);
if (k>0)
for (i=0;i<res.couche[k].nbneu;i++) //initialisation de chaque neurone i de la couche k
{ // printf("\n -- appel initNeurone avec i=%d et k=%d\n",i,k);
initNeurone(i,k);
}
}
void initReseau()
{
int k,nbcach;
printf("initialisation du reseau MLP\n");
printf("\nNombre de couches cachees : ");
scanf("\n%d",&nbcach);
res.nbcou=nbcach+2;
fprintf(ficresu,"Nombre de couches cachees : %d\n",nbcach);
res.couche=(strucCouche*)malloc(sizeof(strucCouche)*(nbcach+2));
for (k=0;k<res.nbcou;k++)
{ printf("\n -- appel initCouche avec k=%d\n",k); initCouche(k);}
}
void initBase(char *nomfich, strucBase *base)
{
int i,j;
char c;
FILE *fich;
printf("Lecture des motifs, a partir du fichier %s\n",nomfich);
fich=fopen(nomfich,"r");
fscanf(fich,"%d",&(base->nbex)); //le nombre d'exemples est en 1ere ligne du fichier
printf("nbex = %d \n",base->nbex);
fscanf(fich,"%d",&diment); //la dim. des entrees est en 2eme ligne du fichier
printf("diment = %d \n",diment);
base->xx=(double**)malloc(sizeof(double)*base->nbex);
base->sd=(double**)malloc(sizeof(double)*base->nbex);
for (i=0;i<base->nbex;i++) //on lit, l'un apres l'autre, tous les exemples de la base
{ base->xx[i]=(double*)malloc(sizeof(double)*diment); //le vecteur des entrees, suivi de...
for (j=0;j<diment;j++)
fscanf(fich,"%lf",&(base->xx[i][j]));
base->sd[i]=(double*)malloc(sizeof(double)*dimsor); //...le vecteur des sorties desirees
for (j=0;j<dimsor;j++)
fscanf(fich,"%lf",&(base->sd[i][j]));
}
fclose(fich);
printf("fin de la lecture des motifs\n");
}
//procedures de presentation d'un exemple au reseau ///////////////////
void prezEntrees(int numex, strucBase base) //presentation d'un exemple au reseau
{
int i;
//les composantes de l'exemple numex sont les sorties des neurones de la couche 0 du reseau
for (i=0;i<diment;i++)
res.couche[0].neurone[i].s=base.xx[numex][i];
}
//procedures de fonctionnement du reseau ///////////////////
void aller() //passe avant : calcul de la sortie du reseau, pour l'exemple presente
{
int i,j,k;
for (k=1;k<res.nbcou;k++)
for (i=0;i<res.couche[k].nbneu;i++)
{ res.couche[k].neurone[i].a=0.0;
for (j=0;j<res.couche[k].neurone[i].nbent;j++)
{ res.couche[k].neurone[i].x[j]=res.couche[k-1].neurone[j].s;
res.couche[k].neurone[i].a+=res.couche[k].neurone[i].w[j]*res.couche[k].neurone[i].x[j];
}
res.couche[k].neurone[i].s=sigmo(res.couche[k].neurone[i].a);
}
}
void gradsor(int numex) //calcul des gradients d'erreur, sur la couche de sortie
{
int i;
double dsig; //derivee de la sigmoide
for (i=0;i<dimsor;i++)
{ dsig=deriv(res.couche[res.nbcou-1].neurone[i].s);
res.couche[res.nbcou-1].neurone[i].y=2*dsig*(app.sd[numex][i]-res.couche[res.nbcou-1].neurone[i].s);
}
}
void retour() //passe arriere : calcul des gradients retropropages, dans les couches cachees
{
int i,m,k;
double dsig;
double somm;
for (k=res.nbcou-2;k>0;k--)
for (i=0;i<res.couche[k].nbneu;i++)
{ dsig=deriv(res.couche[k].neurone[i].s);
somm=0.0;
for(m=0;m<res.couche[k+1].nbneu;m++)
somm+=res.couche[k+1].neurone[m].w[i]*res.couche[k+1].neurone[m].y;
res.couche[k].neurone[i].y=dsig*somm;
}
}
void modifw() //mise a jour des poids du reseau (toutes les couches)
{
int i,j,k;
for (k=1;k<res.nbcou;k++)
for (i=0;i<res.couche[k].nbneu;i++)
for (j=0;j<res.couche[k].neurone[i].nbent;j++)
res.couche[k].neurone[i].w[j]+=alpha*res.couche[k].neurone[i].y*res.couche[k].neurone[i].x[j];
}
//fonctions d'evaluation des perfromances ///////////////////
int tstsor(int numex, strucBase base) //resultat booleen -- version actuelle : pour dimsor=1
{
//test actuel implemente pour le seul cas ou il n'y a qu'une seule sortie, valant -1 ou +1
if (res.couche[res.nbcou-1].neurone[0].s*base.sd[numex][0]>0)
return(1);
else
return(0);
}
double tauxSucces(strucBase base)
{
int i,nbsuc;
nbsuc=0;
for(i=0;i<base.nbex;i++)
{ prezEntrees(i,base);
aller();
if (tstsor(i,base)==1)
nbsuc++;
}
return((double) nbsuc/base.nbex);
}
//procedure de controle des processus d'apprentissage et de generalisation ///////////////////
void melange(int n) //optionnel : change l'ordre de presentation des exemples
{
//non implemente actuellement
}
void appren(int nbpass) //apprentissage sur nbpass passes de la base d'exemples
{
//non implemente actuellement
}
void general() //teste le reseau sur la base de generalisation
{
//non implemente actuellement
}
void appgen(int nbpass) //apprentissage avec test en generalisation a chaque passe
{
int p,i;
double taux;
for (p=0;p<nbpass;p++)
{ printf("Passe n. %d\t",p+1);
fprintf(ficresu,"Passe n. %d\t",p+1);
for (i=0;i<app.nbex;i++) //une passe d'apprentissage sur toute la base d'exemples
{ prezEntrees(i,app);
aller();
gradsor(i);
retour();
modifw();
}
taux=tauxSucces(app); //evaluation du taux de succes en apprentissage
printf("taux app : %lf\t",taux);
fprintf(ficresu,"taux app : %lf\t",taux);
taux=tauxSucces(gen); //evaluation du taux de succes en generalisation
printf("taux gen : %lf\n",taux);
fprintf(ficresu,"taux gen : %lf\n",taux);
}
}
/////////////////////////////////////////////////////////////////
//programme principal ///////////////////
void main()
{
srand(1234);
double tt1,tt2;
printf("\nNom du fichier d'apprentissage : ");
scanf("\n%s",nficapp);
//strcpy(nficapp,"testOdeur/odeur8.app");
printf("Nom du fichier de generalisation : ");
scanf("\n%s",nficgen);
//strcpy(nficgen,"testOdeur/odeur8.gen");
printf("\nNom du fichier de resultats : ");
scanf("\n%s",nresult);
//strcpy(nresult,"toto");
ficresu=fopen(nresult,"w");
fprintf(ficresu,"Apprentissage sur %s\t",nficapp);
printf("\n -- appel initBase, pour les donnees d'apprentissage\n");
initBase(nficapp,&app);
fprintf(ficresu," [ %d exemples ]\n",app.nbex);
fprintf(ficresu,"Generalisation sur %s\t",nficgen);
printf("\n -- appel initBase, pour les donnees de generalisation\n");
initBase(nficgen,&gen);
fprintf(ficresu," [ %d exemples ]\n",gen.nbex);
printf("\nValeur du pas de gradient : ");
scanf("%f",&alpha);
fprintf(ficresu,"alpha=%f\t",alpha);
printf("Nombre de passes de la base d'exemples : ");
scanf("%d",&nbpass);
fprintf(ficresu,"nbpass=%d\n",nbpass);
fprintf(ficresu,"Taille de la couche d'entree = %d\n",diment);
fprintf(ficresu,"Taille de la couche de sortie = %d\n",dimsor);
printf("\n -- appel initReseau\n");
initReseau();
printf("\n\nPhase d'apprentissage, avec test en apprentissage et en generalisation, apres chaque passe de la base d'exemples.\n\n");
tt1=clock();
appgen(nbpass);
tt2=clock(); printf("temps--->%f s\n",(tt2-tt1)*0.000001);
fprintf(ficresu,"\ntemps--->%f s\n",(tt2-tt1)*0.000001);
fclose(ficresu);
}
//fin du programme
///////////////////////////////////////////////////////////////// |
Partager