IA/classificatore_immagini
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

ci sto lavorando, provare nuova discesa del gradiente

Browse Source
This commit is contained in:
mirimatcode
2025-02-21 00:32:54 +01:00
parent 760940ef97
commit 828fea5d6a
4 changed files with 51 additions and 18 deletions
Download Patch File Download Diff File Expand all files Collapse all files

42
classificatore_singolo.c
View File

@@ -6,8 +6,8 @@
//Scelgo quale categoria voglio identificare. nel caso dello xor -1
#define CATEGORIA -1
#define NUM_LAYERS 5
#define PERCETTRONI_LAYER_0 256
#define NUM_LAYERS 2
#define PERCETTRONI_LAYER_0 2
#define MAX_EPOCHE 10000
byte get_out_corretto(byte);
@@ -40,39 +40,56 @@ void main() {
//ADDESTRAMENTO
for(int i = 0; i < MAX_EPOCHE; i++) {
printf("Epoca %d\n", i);
stampa_tempo(tempo_epoche, i);
//printf("Epoca %d\n", i);
//stampa_tempo(tempo_epoche, i);
int corrette = 0;
double errore_totale = 0.0;
for(int indice_set = 0; indice_set < set.size; indice_set++) {
//sigmoidi è un array bidimensionale, la prima dimensione identifica il layer, la seconda il percettrone nel layer
// sigmoidi[indice_layer][indice_percettrone]
double **sigmoidi = (double **)malloc(sizeof(double*) * NUM_LAYERS);
//Il layer di ingresso ha bisogno di una funzione a parte perchè prende byte come input
sigmoidi[0] = (double*)malloc(sizeof(double) * PERCETTRONI_LAYER_0);
sigmoidi[0] = funzioni_attivazione_layer_byte(rete_neurale.layers[0], set.istanze[indice_set].dati);
//Calcolo le sigmoidi in tutti gli altri layer
for(int j = 1; j < NUM_LAYERS; j++) {
sigmoidi[j] = (double*)malloc(sizeof(double) * rete_neurale.layers[j].size);
sigmoidi[j] = funzioni_attivazione_layer_double(rete_neurale.layers[j], sigmoidi[j-1]);
}
byte output_corretto = get_out_corretto(set.istanze[indice_set].classificazione);
printf("Inputs: %d %d\t", set.istanze[indice_set].dati[0], set.istanze[indice_set].dati[1]);
printf("Previsione: %d, out corretto: %d\n", previsione(sigmoidi[NUM_LAYERS-1][0]), output_corretto);
//Se prevede male
if(previsione(sigmoidi[NUM_LAYERS-1][0]) != output_corretto) {
//gradienti è un array bidimensionale, la prima dimensione identifica il layer, la seconda il percettrone nel layer
//gradienti[indice_layer][indice_percettrone]
double **gradienti = (double**)malloc(sizeof(double*) * NUM_LAYERS);
//Alloco la dimensione per ogni layer
for(int indice_layer = 0; indice_layer < NUM_LAYERS; indice_layer++) {
gradienti[indice_layer] = (double*)malloc(sizeof(double) * rete_neurale.layers[indice_layer].size);
}
//Errore
/* Gestione dell'errore
Funzione di perdita -> errore quadratico medio: (risultato_esatto - previsione)^2
Gradiente dell'errore rispetto all'attivazione = derivata(funzione_perdita) * derivata(sigmoide_out)
= -(risultato_esatto - previsione) * (sigmoide_out * (1 - sigmoide_out))
//Per ogni percettrone sugli altri layer:
- calcolare derivata della propria sigmoide
- gradiente dell'errore retropropagato = peso del ne
*/
gradienti[NUM_LAYERS-1][0] = (output_corretto - sigmoidi[NUM_LAYERS-1][0]);
errore_totale += gradienti[NUM_LAYERS-1][0];
correggi_layer_interni(&rete_neurale, gradienti, sigmoidi);
correggi_layer_input(&rete_neurale.layers[0], gradienti, sigmoidi, set.istanze[indice_set].dati, NUM_LAYERS);
@@ -81,9 +98,16 @@ void main() {
{
corrette++;
}
if(corrette == 4) {
printf("\tConvergo all'epoca %d\n", i);
break;
}
}
printf("Errore: %f\n", errore_totale);
printf("\tRisposte corrette: %d\n", corrette);
//printf("\tRisposte corrette: %d\n", corrette);
if(corrette == set.size) {
break;