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

ottimizzato il codice, messo relu(ma non attivato), pronto per prossima sessione di test

Browse Source
This commit is contained in:
mirimatcode
2025-02-22 18:48:02 +01:00
parent 67dfb2fe92
commit daa34cb8bc
9 changed files with 170 additions and 88 deletions
Download Patch File Download Diff File Expand all files Collapse all files

BIN
classificatore_singolo
View File

Binary file not shown.

53
classificatore_singolo.c
View File

@@ -5,7 +5,10 @@
#define CATEGORIA 7
#define NUM_LAYERS 4
#define PERCETTRONI_LAYER_0 64
#define MAX_EPOCHE 1000
#define MAX_EPOCHE 10
//1 relu, 2 sigmoide
#define TIPO_FUNZIONE 2
byte get_out_corretto(byte);
void stampa_layer_indirizzo(Layer *);
@@ -45,34 +48,19 @@ void main()
// ADDESTRAMENTO
for (int i = 0; i < MAX_EPOCHE; i++)
{
/* if (corrette == 4)
{
printf("\nConvergo in epoche: %d\n", i);
// stampa_risultati_layer_multi(p_ext_1, p_ext_2, pout);
for (int j = 0; j < 4; j++)
{
double **risultato = elabora_sigmoidi(rete_neurale, set.istanze[j]);
printf("Input: [%d,%d] -> probabilità: %f -> risultato atteso: %d\n", set.istanze[j].dati[0], set.istanze[j].dati[1], risultato[NUM_LAYERS - 1][0], set.istanze[j].classificazione);
}
break;
} */
// printf("Epoca %d\n", i);
// stampa_tempo(tempo_epoche, i);
printf("Epoca %d\n", i);
stampa_tempo(tempo_epoche, i);
corrette = 0;
double errore_totale = 0.0;
for (int indice_set = 0; indice_set < set.size -1; indice_set++)
{
//printf("Qui ci arrivo %d\n", indice_set);
double **sigmoidi = elabora_sigmoidi(rete_neurale, set.istanze[indice_set]);
double **funzioni_attivazione = elabora_funzioni_attivazione(rete_neurale, set.istanze[indice_set], TIPO_FUNZIONE);
/* for(int k = 0; k < rete_neurale.size; k++)
for(int j = 0; j < rete_neurale.layers[k].size; j++)
printf("sigmoide[%d][%d] = %f\n", k, j, sigmoidi[k][j]); */
printf("sigmoide[%d][%d] = %f\n", k, j, funzioni_attivazione[k][j]); */
byte output_corretto = get_out_corretto(set.istanze[indice_set].classificazione);
@@ -87,19 +75,19 @@ void main()
// Derivata funzione di perdita
// printf("output_corretto = %d, previsione: %f\n", output_corretto, sigmoidi[NUM_LAYERS - 1][0]);
double gradiente_errore = (output_corretto - sigmoidi[NUM_LAYERS - 1][0]);
// printf("output_corretto = %d, previsione: %f\n", output_corretto, funzioni_attivazione[NUM_LAYERS - 1][0]);
double gradiente_errore = (output_corretto - funzioni_attivazione[NUM_LAYERS - 1][0]);
errore_totale += pow(gradiente_errore, 2);
errore_totale += pow(gradiente_errore, 2) * 0.5;
// Derivata funzione attivazione
double derivata_sigmoide_out = sigmoidi[NUM_LAYERS - 1][0] * (1.0 - sigmoidi[NUM_LAYERS - 1][0]);
// if (derivata_sigmoide_out == 0.0) derivata_sigmoide_out = 1;
double derivata_funzione_out = derivata_sigmoide(funzioni_attivazione[NUM_LAYERS - 1][0]);
// if (derivata_funzione_out == 0.0) derivata_funzione_out = 1;
// Gradiente del percettrone output
gradienti[NUM_LAYERS - 1][0] = gradiente_errore * derivata_sigmoide_out;
gradienti[NUM_LAYERS - 1][0] = gradiente_errore * derivata_funzione_out;
discesa_gradiente(rete_neurale, sigmoidi, gradienti);
discesa_gradiente(rete_neurale, funzioni_attivazione, gradienti, TIPO_FUNZIONE);
// A questo punto ho tutti i gradienti dei percettroni, non mi resta che trovare i gradienti dei pesi e correggerli
@@ -107,7 +95,7 @@ void main()
for (int indice_peso = 0; indice_peso < rete_neurale.layers[NUM_LAYERS - 1].percettroni[0].size; indice_peso++)
{
// Determino gradiente del peso
double gradiente_peso = gradienti[NUM_LAYERS - 1][0] * sigmoidi[NUM_LAYERS - 2][indice_peso];
double gradiente_peso = gradienti[NUM_LAYERS - 1][0] * funzioni_attivazione[NUM_LAYERS - 2][indice_peso];
rete_neurale.layers[NUM_LAYERS - 1].percettroni[0].pesi[indice_peso] += gradiente_peso * LRE;
}
rete_neurale.layers[NUM_LAYERS - 1].percettroni[0].bias += gradienti[NUM_LAYERS - 1][0] * LRE;
@@ -121,7 +109,7 @@ void main()
// Devo prendere il gradiente del percettrone e moltiplicarlo con gli input associati ai pesi
if (indice_layer != 0)
{
correggi_pesi_percettrone_double(&rete_neurale.layers[indice_layer].percettroni[indice_percettrone], indice_layer, sigmoidi, gradienti[indice_layer][indice_percettrone]);
correggi_pesi_percettrone_double(&rete_neurale.layers[indice_layer].percettroni[indice_percettrone], indice_layer, funzioni_attivazione, gradienti[indice_layer][indice_percettrone]);
}
else
{
@@ -130,13 +118,14 @@ void main()
}
}
if (previsione(sigmoidi[NUM_LAYERS - 1][0]) == output_corretto)
if (previsione(funzioni_attivazione[NUM_LAYERS - 1][0]) == output_corretto)
{
corrette++;
}
}
printf("Errore: %f, risposte corrette: %d/%d\n", errore_totale / 10000, corrette, set.size);
errore_totale /= 10000;
printf("Errore: %f, risposte corrette: %d/%d\n", errore_totale, corrette, set.size);
// printf("\tRisposte corrette: %d\n", corrette);
/* if (i == MAX_EPOCHE - 1)
@@ -145,7 +134,7 @@ void main()
double **risultato;
for (int j = 0; j < 4; j++)
{
risultato = elabora_sigmoidi(rete_neurale, set.istanze[j]);
risultato = elabora_funzioni_attivazione(rete_neurale, set.istanze[j]);
printf("Input: [%d,%d] -> probabilità: %f -> previsione: %d -> risultato attesto: %d\n", set.istanze[j].dati[0], set.istanze[j].dati[1], risultato[NUM_LAYERS - 1][0], previsione(risultato[NUM_LAYERS - 1][0]), set.istanze[j].classificazione);
for (int k = 0; k < rete_neurale.size; k++)
for (int j = 0; j < rete_neurale.layers[k].size; j++)

BIN
classificatore_singolo_xor
View File

Binary file not shown.

BIN
mnist/mnist_manager
View File

Binary file not shown.

12
mnist/mnist_manager.h
View File

@@ -78,6 +78,18 @@ Dataset *get_dataset(char *path_mnist, char *path_categoria)
(*set).istanze = istanze;
fclose(file);
//Trasformo tutto in 0 e 1
/* for(int indice_immagine = 0; indice_immagine < set->size; indice_immagine++) {
for(int indice_byte = 0; indice_byte < N_INPUTS; indice_byte++) {
if(set->istanze[indice_immagine].dati[indice_byte] >= 128)
set->istanze[indice_immagine].dati[indice_byte] = 1;
else
set->istanze[indice_immagine].dati[indice_byte] = 0;
}
} */
return set;
}

98
percettroni.h
View File

@@ -3,8 +3,12 @@
#include <math.h>
char *file_pesi = "rete_pesi.bin";
char *file_immagini = "mnist/t10k-images.idx3-ubyte";
char *file_label = "mnist/t10k-labels.idx1-ubyte";
char *file_immagini = "mnist/train-images.idx3-ubyte";
char *file_label = "mnist/train-labels.idx1-ubyte";
//Test dataset
/* char *file_immagini = "mnist/t10k-images.idx3-ubyte";
char *file_label = "mnist/t10k-labels.idx1-ubyte"; */
#include "mnist/mnist_manager.h"
// #include "cifar_10/cifar10_manager.h"
@@ -13,7 +17,7 @@ char *file_label = "mnist/t10k-labels.idx1-ubyte";
// Siccome il char è un byte che rappresenta il valore tra 0 e 255. Per evitare confusioni definisco il tipo "byte" come in Java
typedef unsigned char byte;
double LRE = 2;
double LRE = 1.414;
double soglia_sigmoide = 0.5;
typedef struct
@@ -41,14 +45,18 @@ Percettrone inzializza_percettrone(int);
ReteNeurale inizializza_rete_neurale(int, int, int);
Layer inizializza_layer(int, int);
double sigmoide(Percettrone p, double*);
double **elabora_sigmoidi(ReteNeurale, Istanza);
void discesa_gradiente(ReteNeurale, double **, double **);
double funzione_attivazione(Percettrone p, double*, int);
double **elabora_funzioni_attivazione(ReteNeurale, Istanza, int);
void discesa_gradiente(ReteNeurale, double **, double **, int);
double calcola_gradiente_disceso(ReteNeurale, int, int, double **);
void correggi_pesi_percettrone_double(Percettrone *, int, double **, double);
void correggi_pesi_percettrone_byte(Percettrone *, Istanza, double, int);
int previsione(double);
double sigmoide(double);
double derivata_sigmoide(double);
double relu(double);
double derivata_relu(double);
void salvaReteNeurale(const char *, ReteNeurale *);
ReteNeurale *caricaReteNeurale(const char *);
@@ -126,8 +134,8 @@ ReteNeurale inizializza_rete_neurale(int numero_layers, int numero_percettroni_i
################# PREVISIONI ################################
*/
double sigmoide(Percettrone p, double *valori)
//Tipo 1 = relu, tipo 2 = sigmoide
double funzione_attivazione(Percettrone p, double *valori, int tipo)
{
double sommatoria = 0.0;
for (int i = 0; i < p.size; i++) {
@@ -136,10 +144,20 @@ double sigmoide(Percettrone p, double *valori)
}
sommatoria += p.bias;
double risultato = 1.0 / (1.0 + exp(-sommatoria));
//printf(" sommatoria %f -> %f\n",sommatoria, risultato);
return risultato;
if(tipo == 1)
return relu(sommatoria);
return sigmoide(sommatoria);
}
double sigmoide(double valore) {
return 1.0 / (1.0 + exp(-valore));
}
double derivata_sigmoide(double valore) {
return valore * (1.0 - valore);
}
int previsione(double valore)
@@ -149,31 +167,42 @@ int previsione(double valore)
else
return 0;
}
void discesa_gradiente(ReteNeurale rete, double **sigmoidi, double **gradienti)
double relu(double valore) {
if(valore > 0)
return valore;
return 0;
}
double derivata_relu(double valore) {
if(valore > 0)
return 1;
return 0;
}
void discesa_gradiente(ReteNeurale rete, double **funzioni, double **gradienti, int tipo_derivata)
{
//printf("Qui?\n");
// For che scorre i layer dal penultimo al primo QUINI SIZE -2
for (int indice_layer = rete.size - 2; indice_layer >= 0; indice_layer--)
{
//printf("layer: %d ", indice_layer);
// printf("Mi trovo nel layer %d, ho %d percettroni\n", indice_layer, rete.layers[indice_layer].size);
// For che scorre i percettroni del layer partendo dal primo
// Per ogni percettrone mi devo prendere il gradiente disceso dal livello sopra e moltiplicarlo per la derivata di attivazione
for (int indice_percettrone = 0; indice_percettrone < rete.layers[indice_layer].size; indice_percettrone++)
{
//printf("percettrone: %d ", indice_percettrone);
double derivata_attivazione = sigmoidi[indice_layer][indice_percettrone] * (1.0 - sigmoidi[indice_layer][indice_percettrone]);
//In base al tipo di funzione scelto, avvio relu o sigmoidi
double derivata_attivazione;
if(tipo_derivata == 1)
derivata_attivazione = derivata_relu(funzioni[indice_layer][indice_percettrone]);
else
derivata_attivazione = derivata_sigmoide(funzioni[indice_layer][indice_percettrone]);
// Passo anche l'indice del percettrone perchè corrisponde all'indice del peso del livello sopra
double gradiente_disceso = calcola_gradiente_disceso(rete, indice_layer + 1, indice_percettrone, gradienti);
gradienti[indice_layer][indice_percettrone] = gradiente_disceso * derivata_attivazione;
}
//printf("\n");
}
//printf("Qui ?\n");
}
double calcola_gradiente_disceso(ReteNeurale rete, int livello, int indice_peso, double **gradienti)
@@ -190,29 +219,34 @@ double calcola_gradiente_disceso(ReteNeurale rete, int livello, int indice_peso,
return sommatoria;
}
double **elabora_sigmoidi(ReteNeurale rete, Istanza istanza)
//tipo_funzione 1: relu, 2:sigmoide
double **elabora_funzioni_attivazione(ReteNeurale rete, Istanza istanza, int tipo_funzione)
{
// 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 *) * rete.size);
double **funzioni = (double **)malloc(sizeof(double *) * rete.size);
double *inputs = (double *)malloc(sizeof(double *) * N_INPUTS);
for(int i = 0; i < N_INPUTS; i++) {
inputs[i] = (double)istanza.dati[i];
}
sigmoidi[0] = (double *)malloc(sizeof(double) * rete.layers[0].size);
funzioni[0] = (double *)malloc(sizeof(double) * rete.layers[0].size);
for(int indice_percettrone = 0; indice_percettrone < rete.layers[0].size; indice_percettrone ++) {
sigmoidi[0][indice_percettrone] = sigmoide(rete.layers[0].percettroni[indice_percettrone], inputs);
funzioni[0][indice_percettrone] = funzione_attivazione(rete.layers[0].percettroni[indice_percettrone], inputs, tipo_funzione);
}
//Taglio fuori l'ultimo layer perchè in ogni caso sarà sigmoide
for(int indice_layer = 1; indice_layer < rete.size; indice_layer ++) {
sigmoidi[indice_layer] = (double *)malloc(sizeof(double) * rete.layers[indice_layer].size);
funzioni[indice_layer] = (double *)malloc(sizeof(double) * rete.layers[indice_layer].size);
for(int indice_percettrone = 0; indice_percettrone < rete.layers[indice_layer].size; indice_percettrone ++) {
sigmoidi[indice_layer][indice_percettrone] = sigmoide(rete.layers[indice_layer].percettroni[indice_percettrone], sigmoidi[indice_layer-1]);
//Se è il livello output in ogni caso deve fare sigmoide
if(indice_layer == rete.size-1)
funzioni[indice_layer][indice_percettrone] = funzione_attivazione(rete.layers[indice_layer].percettroni[indice_percettrone], funzioni[indice_layer-1], 2);
else
funzioni[indice_layer][indice_percettrone] = funzione_attivazione(rete.layers[indice_layer].percettroni[indice_percettrone], funzioni[indice_layer-1], tipo_funzione);
}
}
return sigmoidi;
return funzioni;
}

40
prova_passaggio_parametri.c Normal file
View File

@@ -0,0 +1,40 @@
#include<stdio.h>
#include<stdlib.h>
void stampa(int**);
void cambia(int**);
void main() {
int **matrice = (int**)malloc(sizeof(int*) * 10);
for(int i = 0; i < 10; i++) {
matrice[i] = (int*)malloc(sizeof(int) * 10);
for(int j = 0; j < 10; j++) {
matrice[i][j] = i * j;
}
}
stampa(matrice);
cambia(matrice);
stampa(matrice);
}
void stampa(int **matrix) {
for(int i = 0; i < 10; i++) {
for(int j = 0; j < 10; j++) {
printf(" %d ", matrix[i][j]);
}
printf("\n");
}
}
void cambia(int **matrix) {
for(int i = 0; i < 10; i++) {
for(int j = 0; j < 10; j++) {
matrix[i][j] = 0;
}
}
}

BIN
visualizzatore
View File

Binary file not shown.

55
visualizzatore.c
View File

@@ -1,7 +1,6 @@
#include <allegro.h>
#include <time.h>
#include "percettroni.h"
#include "mnist/mnist_manager.h"
//CIFAR_10
/* #define IMAGE_WIDTH 32
@@ -17,8 +16,8 @@
BITMAP *buffer;
BITMAP *image;
int *previsto;
ReteNeurale *rete_neurale;
Dataset *set;
ReteNeurale rete_neurale;
Dataset set;
void init_allegro();
@@ -33,26 +32,42 @@ void main()
init_allegro();
//get_dataset("cifar-10-batches/test_batch.bin");
set = get_dataset(file_immagini, file_label);
if (set == NULL) {
Dataset *set_appoggio = get_dataset(file_immagini, file_label);
if (set_appoggio == NULL) {
printf("Errore nel caricare il dataset\n");
return;
}
set = *set_appoggio;
rete_neurale = caricaReteNeurale(file_pesi);
if (rete_neurale == NULL) {
ReteNeurale *rete_appoggio = caricaReteNeurale(file_pesi);
if (rete_appoggio == NULL) {
printf("Errore nel caricare il modello\n");
return;
}
rete_neurale = *rete_appoggio;
int indice_set = rand() % set->size;
free(set_appoggio);
free(rete_appoggio);
//Trasformo tutto in 0 e 1
/* for(int indice_immagine = 0; indice_immagine < set.size; indice_immagine++) {
for(int indice_byte = 0; indice_byte < N_INPUTS; indice_byte++) {
if(set.istanze[indice_immagine].dati[indice_byte] == 0)
set.istanze[indice_immagine].dati[indice_byte] = 0;
else
set.istanze[indice_immagine].dati[indice_byte] = 255;
}
} */
int indice_set = rand() % set.size;
// Carica la prima immagine
carica_immagine(indice_set);
while(!key[KEY_ESC]) {
disegna_interfaccia();
indice_set = rand() % set->size;
indice_set = rand() % set.size;
evento_click_bottone(indice_set);
rest(10);
}
@@ -94,7 +109,7 @@ void init_allegro() {
void carica_immagine(int indice_set)
{
// Stampa informazioni sull'immagine
printf("Immagine indice: %d, valore: %d. è un 7? %d\n", indice_set, set->istanze[indice_set].categoria, prevedi(indice_set));
printf("Immagine indice: %d, valore: %d. è un 7? %d\n", indice_set, set.istanze[indice_set].classificazione, prevedi(indice_set));
// Itera su ogni pixel dell'immagine
for (int y = 0; y < IMAGE_HEIGHT; y++)
@@ -102,7 +117,7 @@ void carica_immagine(int indice_set)
for (int x = 0; x < IMAGE_WIDTH; x++)
{
// Ottieni il valore del pixel (scala di grigi, quindi un solo canale)
int gray_value = set->istanze[indice_set].immagine[y * IMAGE_WIDTH + x];
int gray_value = set.istanze[indice_set].dati[y * IMAGE_WIDTH + x];
// Converti il valore in scala di grigi in un colore RGB (r = g = b = gray_value)
int color = makecol(gray_value, gray_value, gray_value);
@@ -169,20 +184,12 @@ void evento_click_bottone(int indice_set)
int prevedi(int indice_set)
{
double **sigmoidi = (double **)malloc(sizeof(double *) * rete_neurale->size);
double **sigmoidi = elabora_funzioni_attivazione(rete_neurale, set.istanze[indice_set], 2);
byte output_corretto = get_out_corretto(set.istanze[indice_set].classificazione);
sigmoidi[0] = (double *)malloc(sizeof(double) * rete_neurale->layers[0].size);
sigmoidi[0] = funzioni_attivazione_layer_byte(rete_neurale->layers[0], set->istanze[indice_set].immagine);
for (int j = 1; j < rete_neurale->size; 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].categoria);
return previsione(sigmoidi[rete_neurale->size - 1][0]);
return previsione(sigmoidi[rete_neurale.size - 1][0]);
}
byte get_out_corretto(byte categoria) {