基于Eigen库的C++深度神经网络类

都在用Python做深度学习，懒人的福利。

手写一个基于Eigen的C++深度神经网络类，对于弄懂其中的过程还是很有好处的。代码分享给大家。

一、构造函数

类构造函数两个

（1）DeepLearn::DeepLearn(Eigen::MatrixXi layer_structure)

参数是一个1行多列的向量，各列数据即为每层神经元个数；

DeepLearn::DeepLearn(Eigen::MatrixXi layer_structure):mLayerStructure(layer_structure)
{
    int nLayers = layer_structure.size() - 1;

    for (int i = 0; i < nLayers; i++)
    {
        Eigen::MatrixXd w = Eigen::MatrixXd::Random(layer_structure(i + 1), layer_structure(i));
        Eigen::MatrixXd b = Eigen::MatrixXd::Random(layer_structure(i + 1), 1);
        Eigen::MatrixXd z = Eigen::MatrixXd::Zero(layer_structure(i + 1), 1);
        Eigen::MatrixXd a = Eigen::MatrixXd::Zero(layer_structure(i + 1), 1);
        Eigen::MatrixXd d = Eigen::MatrixXd::Zero(layer_structure(i + 1), 1);
        Eigen::MatrixXd dw = Eigen::MatrixXd::Zero(layer_structure(i + 1), layer_structure(i));
        Eigen::MatrixXd db = Eigen::MatrixXd::Zero(layer_structure(i + 1), 1);

        vLayerWeights.push_back(w);
        vLayerBiases.push_back(b);
        vLayerZetas.push_back(z);
        vLayerActivators.push_back(a);
        vLayerDeltas.push_back(d);
        vAccumulateLayerWeights.push_back(dw);
        vAccumulateLayerBiases.push_back(db);
    }
    vSampleInputs.clear();
    vSampleExpectations.clear();
    fAccumulateError = 0.0;
}

（2）DeepLearn::DeepLearn(std::string param_file)

参数是文件名，该文件存储已经训练了若干次的神经网络数据。

即，首次训练使用（1）构造函数，训练完毕后，网络参数会自动保存为文件，后续如果想接着训练，则可以传入文件名，使用（2）构造函数构造网络。

DeepLearn::DeepLearn(std::string param_file)
{
    std::ifstream f;
    f.open(param_file, std::ios::binary | std::ios::in);
    int row, col;
    f.read((char*)&row, sizeof(int));
    f.read((char*)&col, sizeof(int));
    mLayerStructure = Eigen::MatrixXi::Zero(row, col);
    f.read((char*)mLayerStructure.data(), sizeof(int)*row*col);
    int nLayers = mLayerStructure.size() - 1;
    for (int i = 0; i < nLayers; i++)
    {
        int r = mLayerStructure(i + 1);
        int c = mLayerStructure(i);
        Eigen::MatrixXd w = Eigen::MatrixXd::Zero(r, c);
        Eigen::MatrixXd b = Eigen::MatrixXd::Zero(r, 1);
        f.read((char*)w.data(), sizeof(double)*r*c);
        f.read((char*)b.data(), sizeof(double)*r);
        Eigen::MatrixXd z = Eigen::MatrixXd::Zero(r, 1);
        Eigen::MatrixXd a = Eigen::MatrixXd::Zero(r, 1);
        Eigen::MatrixXd d = Eigen::MatrixXd::Zero(r, 1);
        Eigen::MatrixXd dw = Eigen::MatrixXd::Zero(r, c);
        Eigen::MatrixXd db = Eigen::MatrixXd::Zero(r, 1);

        vLayerWeights.push_back(w);
        vLayerBiases.push_back(b);
        vLayerZetas.push_back(z);
        vLayerActivators.push_back(a);
        vLayerDeltas.push_back(d);
        vAccumulateLayerWeights.push_back(dw);
        vAccumulateLayerBiases.push_back(db);

    }
    f.close();
    vSampleInputs.clear();
    vSampleE