C++ 中的卷积神经网络 (CNN)

本文介绍了如何使用C++和mlpack库构建一个卷积神经网络(CNN),并应用到MNIST数据集的分类任务中。讨论了C++相对于Python在实时推理上的优势,并详细讲解了数据预处理、模型构建以及训练过程。此外,还提到了负对数似然损失和EarlyStopAtMinLoss策略。完整代码可在提供的GitHub链接获取。
摘要由CSDN通过智能技术生成

点击上方“小白学视觉”,选择加"星标"或“置顶

重磅干货,第一时间送达

有很多卷积神经网络文章解释了 CNN 是什么以及它的用途是什么,而本文将用 C++ 编写一个 CNN 和一个名为 mlpack 的库来对MNIST数据集进行分类。

你们可能会问为什么 C++ 在 Python 中很容易使用大量库,你们现在可能已经看到一些特斯拉汽车,这些类型的系统需要从它们的环境中进行实时推理,而 Python 非常适合原型设计,但不提供实时当使用它部署如此庞大的模型时会更新。


一、mlpack的含义

它是一个用 C++ 编写的机器学习库,它利用其他一些底层库来提供快速且可扩展的尖端机器学习和深度学习方法。


二、MINST数据集

我们要使用的数据包含在一个 CSV 文件中,由 0 到 9 的数字图像组成,其中列包含标签,行包含特征,但是当我们要将数据加载到矩阵中时,数据将被转置,并且提到哪个特征的标签也将被加载,所以我们需要注意这一点。

#include <mlpack/core.hpp>
#include <mlpack/core/data/split_data.hpp>
#include <mlpack/methods/ann/layer/layer.hpp>
#include <mlpack/methods/ann/ffn.hpp>
#include <ensmallen.hpp>  /* The numerical optimization library that mlpack uses */ 


using namespace mlpack;
using namespace mlpack::ann;


// Namespace for the armadillo library(linear algebra library).
using namespace arma;
using namespace std;


// Namespace for ensmallen.
using namespace ens;

然后我们将声明一个辅助函数将模型输出转换为行矩阵,以匹配我们加载的行矩阵形式的标签。

arma::Row<size_t> getLabels(arma::mat predOut)
{
  arma::Row<size_t> predLabels(predOut.n_cols);
  for(arma::uword i = 0; i < predOut.n_cols; 
  • 3
    点赞
  • 24
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
卷积神经网络(Convolutional Neural Network,CNN)是一种深度学习算法,广泛应用于图像识别、物体检测、图像生成等领域。 卷积神经网络的核心是卷积层,通过在输入数据上进行卷积操作来提取特征。卷积操作可以理解为将一个滤波器(卷积核)应用于输入数据,得到一个感兴趣的特征图。这样可以有效地捕捉到输入数据的局部关联信息,使得网络更好地理解图像的结构。 卷积神经网络通常由多个卷积层和池化层(Pooling Layer)组成。池化层用于减小特征图的尺寸,并保留关键特征。在卷积层和池化层之后,将得到的特征图输入到全连接层(Fully Connected Layer)进行分类或回归等任务。 在训练过程卷积神经网络使用前向传播和反向传播算法。前向传播通过将输入数据通过卷积层、池化层以及全连接层传递,得到输出结果。反向传播根据损失函数的梯度反向更新网络的权重和偏置,使得网络的输出向目标结果靠近。 卷积神经网络可以通过扩展网络的深度和宽度,来提高网络的性能。深层网络可以学习更抽象的特征表示,从而提升模型的表达能力。而宽度指的是增加卷积核的数量,可以增加网络的感受野( receptive field),捕捉更大范围的特征。 总之,卷积神经网络是一种基于卷积操作的深度学习算法,通过多层卷积和池化层来提取输入数据的特征,可应用于图像识别、物体检测等任务。它的优势在于能够有效地处理高维数据,提升模型的性能。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值