Algorithme de rétropropagation du gradient

Bonjour

Je viens de lire Introduction aux Réseaux de Neurones Artificiels Feed Forward sur http://alp.developpez.com/ et j'ai une question sur l'algorithme de rétro-propagation du gradient.
J'ai essayé de créer du code C++ pour l'appliquer et ca ne fonctionne pas, alors il y a des points obscurs que j'aimerai éclaircir:

Citation:

---

Pour tout poids w_ij <- w_ij + epsilon*di*x_ij finPour

---

x_ij, c'est quoi? parce que ce n'est pas défini

Citation:

---

On note (x i ) 1 <= i < k les k informations parvenant au neurone.

---

On note (x i ) 1 <= i < k les k informations parvenant au neurone.

Oui, parfaitement, et donc x n'a pas de double indexation, en bref x_ij n'est pas défini, seul x_i est défini peut-être faut-il comprendre (x_i) pour le neuron j... je ne suis pas sur de bien comprendre

J'ai fait un programme avec cela et... ca ne fonctionne pas bien , le reseau donne 0.5 à toutes les sorties, quelque soit l'entrée...

J'aimerai que quelqu'un me dise si ce que je fai est juste

poids est un vector<vector<vector<float>>> l'indice i,j,k correspond au poids pour la neurone (couche i,j) du kième coefficiant du signal entrant dans la couche i

Code:

---

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

void reseau::apprendre(vector<float> entree, vector<float> sortie /*attendue*/) { float coef; vector<vector<float>> signal; // ici sont collectionnes toutes les valeurs qui transitent signal.push_back(entree);// a commencer par l'entrée   for(int i=0; i<this->couches;i++) { signal.push_back(vector<float>()); for(int j=0;j<this->taille_couche[i];j++)//pour chaque neurone (i,j) { coef=-biais; for(int k=0;k<poids[i][j].size();k++) coef+=this->poids[i][j][k]*signal[i][k]; signal[i+1].push_back(transfert(coef)); //on calcule la valeur de sortie } }   vector<vector<float>> d;//les d_ij for(int i=0;i<this->couches;i++) d.push_back(vector<float>());   int fin=this->couches-1;   //on remplit les d de la dernières couches for(int i=0;i<this->taille_couche[fin];i++) d[fin].push_back(signal[couches][i] * (1.0f-signal[couches][i]) * (sortie[i]-signal[couches][i])); //puis couches par couche for(int i=couches-2;i>=0;i--) { for(int j=0;j<taille_couche[i];j++)//neurone par neurone { float coeff=0.0f; for(int k=0;k<d[i+1].size();k++) coeff+=d[i+1][k] * poids[i+1][k][j]; coeff*=signal[i+1][j]*(1.0f-signal[i+1][j]); d[i].push_back(coeff); } } //traduit le passage Pour tout poids w_ij <- w_ij + epsilon*di*x_ij finPour for(int i=0;i<couches;i++) { for(int j=0;j<taille_couche[i];j++) { for (int k=0;k<poids[i][j].size();k++) { poids[i][j][k]+=EPSILON * d[i][j] * signal[i][k]; } } } }

---