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
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
| #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
lors voici ce que j'ai fait mais j'ai l'impression que ça ne met pas les valeurs du fichier dans ma liste pour creer les vecteur de neurone avec poids entree et sorties desirées et sorties obtenue , les passes dans l'algorthme me donnent toujours le meme résultat =(
Code:
123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899100101102103104105106107108109110111112113114115116117118119120121122123124125126127128129130131132133134135136137138139140141142143144145146147148149150151152153154155156157158159160161162163164165166167168169170171172173174175176177178179180181182183184185186187188189190191192193194195196197198199200201202203204205206207208209210211212213214215216217218219220221222 | import os
import sys
import random
import logging
import math
encore = 1
while encore == 1:
encore=int(input("Lancer MLP ? (1=oui) (2=non)"))
coef = 2.0
coed = 1.0
from pprint import pformat
def dimsor():
return 1
class Neurone:
"""
Un neurone avec parametre = nombre d'entrees
"""
def __init__(self, nbent):
global nbentr
self.x = [0.0 for i in range(nbent)]# tableau des entrees X
self.w = [random.uniform(-0.3, 0.3) for i in range(nbent)] # tableau des poids W
print(self.w)
self.a = 0.0 # activation (somme ponderee des entrees = somme(WiXi))
self.s = 0.0 # sortie (fonction sigmoide de l'activation =f(a))
self.y = 0.0 # gradient
nbentr = len([0.0 for i in range(nbent)])
def __repr__(self):
return pformat(vars(self))
class Couche:
"""
Une couche avec parametre nombre de neurones
et le nombre d'entrees d'un neurone de la couche
"""
def __init__(self, nbneu, nbent):
self.neurone = [Neurone(nbent) for i in range(nbneu)]
def __repr__(self):
return pformat(vars(self))
class Reseau:
"""
Reseau avec parametres dimensions entree, sortie, et couches cachées
"""
def __init__(self, diment, dimsor, dimcaches):
couches = [0, diment]
couches.extend(dimcaches)
couches.append(dimsor)
self.couche = [Couche(couches[i], couches[i-1]) for i in range(1, len(couches))]
def __repr__(self):
return pformat(vars(self))
class Base:
"""
Base d'exemples
"""
def __init__(self, fichier):
try:
print("Lecture des motifs, a partir du fichier :",fichier)
f = open(fichier, 'r')
except IOError as e:
print(e)
raise IOError
else:
self.nbex = [int(x) for x in f.readline().split()][0]
self.diment = [int(x) for x in f.readline().split()][0]
self.dimsor = dimsor()
self.entrees = []
self.sorties_desirees = []
for i in range(self.nbex):
temp = [float(x) for x in f.readline().split()]
self.entrees.append(temp[:self.diment])
self.sorties_desirees.append(temp[self.diment:][:self.dimsor])
f.close()
print("fin de la lecture des motifs" )
def __repr__(self):
return pformat(vars(self))
### nficapp = input("Nom du fichier d'apprentissage : " )
nficapp="odeur5app.txt"
### nficgen = input("Nom du fichier de generalisation : " )
nficgen = "odeur5gen.txt"
### nresult = input("Nom du fichier de resultat : " )
nresult = "resu.txt"
logging.basicConfig(
level = logging.INFO,
format = '%(message)s',
filename = nresult,
filemode = 'w')
print("\n -- Creation de la base, pour les donnees d'apprentissage" )
try:
base_app = Base(nficapp)
except IOError:
logging.critical("Erreur a l'ouverture du fichier d'apprentissage %s", nficapp)
sys.exit(0)
logging.info("Apprentissage sur %s\t[ %d exemples ]", nficapp, base_app.nbex)
print("\n Creation de la base, pour les donnees de generalisation" )
try:
base_gen = Base(nficgen)
except IOError:
logging.critical(" Erreur a l'ouverture du fichier de generalisation %s", nficgen)
sys.exit(0)
logging.info("Generalisation sur %s\t[ %d exemples ]", nficgen, base_gen.nbex)
alpha = float(input("\nValeur du pas de gradient : " ))
#alpha = 0.5
nbpass = int(input("Nombre de passes de la base d'exemples : " ))
#nbpass = 10
logging.info("alpha = %d\t nbpass = %d", alpha*10, nbpass)
logging.info("Taille de la couche d'entree = %d", base_gen.diment)
logging.info("Taille de la couche de sortie = %d", base_gen.dimsor)
print("\ninitialisation du reseau MLP" )
nbcach = int(input("\nNombre de couches cachees : " ))
##nbcach = 4
dimcaches = []
# couches cachees: parametrage par l'utilisateur
for i in range(nbcach):
nbneu = int(input("\nNombre de neurones sur la couche cachee {} : ".format(i+1)))
#nbneu = 2
dimcaches.append(nbneu)
logging.info("Nombre de neurones sur la couche cachee %d : ", i)
logging.info(" " , nbneu)
reseau = Reseau(base_gen.diment, base_gen.dimsor, dimcaches)
nbcou = nbcach + 2
# fonctions mathématiques
def sigmo(a):
aux = math.exp(coef*a)
## print("sigmo = ",((aux-1)/(aux+1)))
return ((aux-1)/(aux+1))
def deriv(fa):
## print("deriv = ",(coed*(1+fa)*(1-fa)))
return (coed*(1+fa)*(1-fa))
def prezEntrees(numex , base):
for i in range(1,base.diment):
reseau.couche[0].neurone[i].s=base.entrees[numex][i]
def aller():
for k in range(1,nbcou):
for i in range(0,len(reseau.couche[k].neurone)):
reseau.couche[k].neurone[i].a=0.0
for j in range(0,nbentr):
reseau.couche[k].neurone[i].x[j]=reseau.couche[k-1].neurone[j].s
reseau.couche[k].neurone[i].a+=reseau.couche[k].neurone[i].w[j]*reseau.couche[k].neurone[i].x[j]
reseau.couche[k].neurone[i].s=sigmo(reseau.couche[k].neurone[i].a)
def gradsor(numex):
for i in range(0,dimsor()):
dsig = deriv(reseau.couche[nbcou-1].neurone[i].s)
reseau.couche[nbcou-1].neurone[i].y=2*dsig*(base_app.sorties_desirees[numex][i]-reseau.couche[nbcou-1].neurone[i].s)
def retour():
for k in range(nbcou-2,1):
for i in range(0,len(reseau.couche[k].neurone)):
dsig = deriv(reseau.couche[k].neurone[i].s)
somm = 0.0
for m in range(0,len(reseau.couche[k].neurone)):
somm+=(reseau.couche[k+1].neurone[m].w[i]*reseau.couche[k+1].neurone[m].y)
reseau.couche[k].neurone[i].y=dsig*somm
def modifiw():
for k in range(1,nbcou):
for i in range(0,len(reseau.couche[k].neurone)):
for j in range(0,nbentr):
reseau.couche[k].neurone[i].w[j]+=alpha*reseau.couche[k].neurone[i].y*reseau.couche[k].neurone[i].entrees[j]
def tstsor(numex,base):
if (reseau.couche[nbcou-1].neurone[0].s*base.sorties_desirees[numex][0])>0:
return 1
else :
return 0
def tauxSucces(base):
nbsuc = 0
for i in range(0,base.nbex):
prezEntrees(i,base)
aller()
if tstsor(i,base) == 1:
nbsuc+=1
return nbsuc/base.nbex
def appgen(nbpass):
for p in range(0,nbpass):
print("passe n°:",p+1)
logging.info("passe n°: %d",p+1)
for i in range(base_app.nbex):
prezEntrees(i,base_app)
aller()
gradsor(i)
retour()
modifiw()
taux = 100*tauxSucces(base_app)
print("taux app : ",taux,"%")
logging.info("taux app : %s",taux)
taux = 100*tauxSucces(base_gen)
print("taux gen : ",taux , "%")
logging.info("taux gen : %s",taux ,"%")
appgen(nbpass) |
///////////////////////////////////////////////////////////////// |
