opencv矩阵学习（2）

     ~~~~     前面写了一个简单的矩阵例子，这一节讲矩阵的一些运用，我们正好用在神经网络运算中。

---

     ~~~~     这一节，使用“感知器”创建一个网络，有三个输入感知器再输入层，中间层一层，有三个感知器，输出层有一个感知器，这里感知器的计算公式使用：${\sum }_j{w}_j{x}_j+b$。

     ~~~~     我们这里就计算对于输入值，通过怎么使用矩阵计算出输出值，采用C++代码，调用opencv，同时也可以考虑加入反向误差传递来修改$w$和$x$，而不使用S型神经元，看看效果怎么样。

     ~~~~     先放代码：

#include <stdio.h>
#include <opencv2/core.hpp>

#include <iostream>

using namespace std;
using namespace cv;

/**************
*输入3个数，整形
*期望输人a,b,c 输出a+2xb+3*c
*这个例子只是用矩阵进行正向运算，不进行反向传播下一个例子讲解反向传播算法
*/
int main() {
	int aInput[3] = { 0 };
	
	Mat m_fLayerCell_a(2, 3, CV_32FC1, Scalar(1));//保存所有a的矩阵，不包括最后的输出

	/*
	w11 w12 w13
	w21 w22 w23
	w31 w32 w33
	*/
	Mat m_fNable_w2(3, 3, CV_32FC1, Scalar(1));//保存w2所有数据的矩阵
	

	/*
	w11
	w21
	w31
	*/
	Mat m_fNable_w3(3, 1, CV_32FC1, Scalar(1));//保存w4所有数据的矩阵

	/*
	b21 b22 b23
	*/
	Mat m_fNable_b2(1, 3, CV_32FC1, Scalar(1));

	/*
	b31
	*/
	float m_fNable_b3 = 1;

	//给输入的值赋值
	aInput[0] = aInput[1] = aInput[2] = 1;

	//将输入的值赋值给m_fLayerCell_a的第一层元素,第一行
	m_fLayerCell_a.at<float>(0, 0) = (float)aInput[0];
	m_fLayerCell_a.at<float>(0, 1) = (float)aInput[1];
	m_fLayerCell_a.at<float>(0, 2) = (float)aInput[2];

	//输出矩阵
	cout << "m_fLayerCell_a=\n" << m_fLayerCell_a << endl << endl;
	cout << "m_fNable_w=\n" << m_fNable_w2 << endl << endl;

	//m_fLayerCell_a.col(1).copyTo((m_fLayerCell_a.colRange(0, 1) * m_fNable_w).col(0));
	Mat a_test = m_fLayerCell_a.row(0) * m_fNable_w2 + m_fNable_b2.row(0);
	cout << "a_test=\n" << a_test << endl << endl;
	a_test.copyTo(m_fLayerCell_a.row(1));
	cout << "m_fLayerCell_a=\n" << m_fLayerCell_a << endl << endl;

	//最后输出的值就是
	float y = Mat(m_fLayerCell_a.row(1) * m_fNable_w3 + m_fNable_b3).at<float>(0, 0);
	cout << "y = " << y << endl;

	system("pause");

	return 0;
}

     ~~~~     输出的结果

这就是全部的计算过程，我们可以看到$a_1^2=w_{11}^2{a}_1^1+w_{12}^2{a}_2^1+w_{13}^2{a}_3^1+b_1^2$；这里$a_j^l$中$l$表示所在列，$j$就表示所在行数；$w_{jk}^l$表示第$(l-1)$层的第$k$个感知器到$l$层的第$j$个感知器的连接上的权重，如下图：

     ~~~~     最后我们可以得到我们想要的输出值$y$。
     ~~~~     但是这个值明显不是我们想要的值，我们希望可以修改$w$和$b$来获取到我们想要的输出值，当然我们可以自己手动的修改$w$和$b$，这样确实可以像我们需要的方向前进，但是我们希望他可以自己进行修正，是输出值和期望值越来越接近。
     ~~~~     就到这里，后面对这个例子增加反向误差传递，进行自主修改$w$和$b$，我会先写一篇关于计算反向传播的博客，希望大家多多指点。