基于C++的简单深度学习ANN（人工神经网络）模型

使用C++实现的简单ANN（人工神经网络）

github地址
使用C++实现的最简单的人工神经网络，包含梯度下降的反向传播算法（BP）。内有部分注释，适合初学学习。至于为什么不用python？还是觉得从最底层（矩阵运算）写比较能加深印象和对算法的理解。（绝对不是因为我不会写python）
警告，此代码仅为初学学习之用，请勿用作任何工程项目！

一、跑起来

方式一

使用vscode+cmake插件或者Clion打开目录。然后直接编译运行。

方式二

1、确保安装cmake环境，没有请先装cmake。
2、在工程目录下键入：

mkdir build
cd build
cmake ..
make

3、运行build目录下的ANN程序

然后在data目录下生成文件output.csv,这是一个回归函数$f(x)=5(x^2-x+3.5)$的拟合。
拟合情况如下：

二、用起来

1、使用十分简便，首先新建ANN模型，设置误差函数cost及其对于输出层每一项的偏导，这里使用默认的平方差函数

ANNModel model;
model.cost = Sqrt_Cost_Func::sqrt_cost;
model.d_cost = Sqrt_Cost_Func::d_sqrt_cost;

1、设置学习率（一般0.0001~0.1）

model.learning_rate = 0.01;

2、开始添加层级，从输入层开始，直到输出层，这里请保证输入层的神经元个数与输入向量的维度相同。并设置这些层级的激活函数和其导数。

// 输入层 1个神经元
ANNLayer layer0(1);
layer0.activition = Linear_Func::linear;  // 设置本层激活函数为线性函数f(x)=x
                                          // 根据ANN结构，输入层的激活函数应设置为线性
layer0.d_activition = Linear_Func::linear;// 设置本层激活函数的导数
model.add_layer(layer0);

// 隐藏层 20个神经元
ANNLayer layer1(20);
layer1.activition = Signmod_Func::signmod; // 设置本层激活函数为sigmod
layer1.d_activition = Signmod_Func::d_signmod;
model.add_layer(layer1);

// 输出层1个神经院
ANNLayer layer2(1);
layer2.activition = Linear_Func::linear;
layer2.d_activition = Linear_Func::d_linear;
model.add_layer(layer2);

3、编译模型

Compiled_ANNModel compiled_model = model.compile();

4、训练模型，查看输出

Vector data, expectation;
Vector output = compiled_model.feed(data, expectation);

5、只输出，不训练

Vector output = compiled_model.get_output(data);

三、学起来

这里给出最终公式，公式的推导请见其他教程、参考书。

1、获得神经元的激活值，这里使用$a_j^{(l)}$表示第$l$层的第$j$个神经元的激活值大小
$$a_j^{(l)}=A^{(l)}(z_j^{(l)})$$
其中
$$z_j^{(l)}=\sum _{k=0}^{n^{(l-1)}-1}{w}_{j,k}^{(l)}{a}_k^{(l-1)}+b_j^{(l)}$$
其中$A^{(l)}$为第$l$层的激活函数，$w_{j,k}^{(l)}$为从$l-1$层第$k$个神经元链接到第$l$层第$j$个神经元的边权（注意$w$下标的顺序！），另外$b_j^{(l)}$是第$l$层第$j$个神经元的偏置阈值。$n^{(l)}$为第$l$层的神经元个数。

2、反向传播公式（以平方差误差函数为例）

$$\frac{\sigma C}{\sigma w_{j,k}^{(l)}}=a_k^{(l-1)}{A}^{{}^{\prime }(l)}(z_j^{(l)})\frac{\sigma C}{\sigma a_j^{(l)}}$$

其中

$$\frac{\sigma C}{\sigma a_j^{(l)}}=\{\begin{array}{r}\sum _{j=0}^{n^{(l+1)}-1}{w}_{j,k}^{(l+1)}{A}^{{}^{\prime }(l+1)}(z_j^{(l+1)})\frac{\sigma C}{\sigma a_j^{(l+1)}}l\ne L\\ 2(a_j^{(l)}-y_j)l=L\end{array}$$

最终有

$$\Delta w_{j,k}^{(l)}=-\eta \frac{\sigma C}{\sigma w_{j,k}^{(l)}}$$

$$\Delta b_j^{(l)}=-\eta A^{{}^{\prime }(l)}(z_j^{(l)})\frac{\sigma C}{\sigma a_j^{(l)}}$$

最后对$w$、$b$进行更新如下

$$w_{j,k}^{(l)}:=w_{j,k}^{(l)}+\Delta w_{j,k}^{(l)}$$
$$b_{j,k}^{(l)}:=b_j^{(l)}+\Delta b_j^{(l)}$$

其中，$A^{{}^{\prime }(l)}(x)$为第$l$层激活函数的导数。$C$为误差函数，$y_j$为预期输出向量的$j$分量。$\eta$为学习率。

具体实现的解释请，见代码注释。