c++实现的cnn

最新推荐文章于 2024-06-10 12:19:48 发布
最新推荐文章于 2024-06-10 12:19:48 发布
阅读量1.1w 收藏 48
点赞数 8
分类专栏： 机器学习 文章标签： 机器学习 神经网络 cnn 卷积神经网络 bp算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/shangming111/article/details/41082631
版权
博主用2-3天时间用C++编写了一个CNN模型，主要工作集中在理解并实现反向传播算法。经过测试和参数调整，代码已经完成。文章简要展示了部分代码。
摘要由CSDN通过智能技术生成

花了2,3天的时间写了c++版本的cnn（其实一天就基本完成代码，后来两天都在做测试，调参数什么的），当然写的这么快主要是前面看了比较多讲解神经网络和卷积神经网络的文章和论文，所以基本搞懂了其中的难点（bp），所以写起来也就比较得心应手。下面先粗糙地贴下代码

#pragma once
#include"timer.h"
class CNN
{
public:
	CNN();
	~CNN();

	void init();
	void readFile();
	void ff(int index);
	void bp(int index);
	void update(int index);
	double evaluate();
	void train();
	void test();
	void checkGrad();
private:
	Timer timer;
	static const int train_times = 10000000;
	double a;
	double r;
	static const int layer_num = 7;
    static const int batch_size = 1;
	static const int train_size = 20000;
	static const int test_size = 40000;
	

	//训练图像的label
	int label[train_size]; 
	
	//输入层（测试数据）
	double testI0[test_size][32][32];

	//输入层(训练数据)
	double I0[train_size][32][32];

	//连接
    bool connection[6][12];

	//C1层
	double C1[batch_size][6][28][28]; //卷积后的图像
	double C1_conv[6][5][5]; //卷积核
	double C1_dconv[6][5][5];//卷积核导数
	double C1_b[6]; //bias
	double C1_db[6]; //bias
	double C1_d[batch_size][6][28][28]; //残差

	//S2层
	double S2[batch_size][6][14][14]; //pool后的图像
	double S2_d[batch_size][6][14][14]; //残差
	//double S2_w[6];
	//double S2_b[6];
	//double S2_dw[6];
	//double S2_db[6];
	//double S2_mean[batch_size][6][14][14]; //保存ff时的平均采样值

	//C3层
	double C3[batch_size][16][10][10];
	double C3_conv[6][16][10][10];
	double C3_dconv[6][16][10][10];
	double C3_b[16];
	double C3_db[16];
	double C3_d[batch_size][16][10][10];

	//S4层
	double S4[batch_size][16][5][5];
	double S4_d[batch_size][16][5][5];
	//double S4_w[16];
	//double S4_b[16];
	//double S4_dw[16];
	//double S4_db[16];
	//double S4_mean[batch_size][16][5][5];


	//C5层
	double C5[batch_size][120];
	double C5_conv[16][120][5][5];
	double C5_dconv[16][120][5][5];
	double C5_b[120];
	double C5_db[120];
	double C5_d[batch_size][120];

	//F6层
	//double F6[batch_size][84];
	//double F6_p[120][84];
	//double F6_dp[120][84];
	//double F6_b[84];
	//double F6_db[84];
	//double F6_d[batch_size][84];

	double F6[batch_size][10];
	double F6_p[120][10];
	double F6_dp[120][10];
	double F6_b[10];
	double F6_db[10];
	double F6_d[batch_size][10];

	//F7层
	//double F7[batch_size][10];
	//double F7_p[84][10];
	//double F7_dp[84][10];//导数
	//double F7_b[10];
	//double F7_db[10];
	//double F7_d[batch_size][10];
private:
	double sigmoi(double x);
	double derivate_sigmoi(double z);
	double random(); //产生0~1之间的随机数
	double getCost_checkgGrad(); 
	

};






// CNN.cpp : 定义控制台应用程序的入口点。
//

#include "stdafx.h"
#include "CNN.h"
#include "timer.h"

CNN::CNN()
{
	a = 1;
	r = 0;
	bool temp[6][16] = {
		{true,false,false,false,true,true,true,false,false,true,true,true,true,false,true,true},
		{true,true,false,false,false,true,true,true,false,false,true,true,true,true,false,true},
		{true,true,true,false,false,false,true,true,true,false,false,true,false,true,true,true},
		{false,true,true,true,false,false,true,true,true,true,false,false,true,false,true,true},
		{false,false,true,true,true,false,false,true,true,true,true,false,true,true,false,true},
		{false,false,false,true,true,true,false,false,true,true,true,true,false,true,true,true}
	};
	for(int i = 0; i < 6; ++i)
		for(int j = 0; j < 16; ++j)
			connection[i][j] = temp[i][j];
}

CNN::~CNN()
{
}

double CNN::random()
{
	return rand()/(double)RAND_MAX;
}

double CNN::sigmoi(double x)
{
	return 1.0/(double)(1+exp(-x));
}

double CNN::derivate_sigmoi(double z)
{
	return z * (1 - z);
}

void CNN::init()
{
	double scale = 1;
	cout<<"init...";
	timer.start();
	srand((unsigned int)time(NULL));
	//初始化C1层
	double fan_in = 1 * 5 * 5;
	double fan_out = 6 * 5 * 5;
	for(int i = 0; i < 6; ++i)
	{
		for(int j = 0; j < 5; ++j)
			for(int k = 0; k < 5; ++k)
				C1_conv[i][j][k] = (random() - 0.5) * 2 / scale;
		C1_b[i] = 0;
	}

	//初始化S2层
	/*for(int i = 0; i < 6; ++i)
	{
		S2_w[i] = (random() - 0.005) * 2;
		S2_b[i] = (random() - 0.005) * 2;
	}*/

	//初始化C3层
	for(int i = 0; i < 16; ++i)
	{
		for(int j = 0; j < 6; ++j)
		{
			for(int k = 0; k < 5; ++k)
				for(int l = 0; l < 5; ++l)
					C3_conv[j][i][k][l] = (random() - 0.5) * 2 /scale;	
		}
		C3_b[i] = 0;
	}

	//初始化S4层
	/*for(int i = 0; i < 16; ++i)
	{
		S4_w[i] = (random() - 0.005) * 2;
		S4_b[i] = (random() - 0.005) * 2;
	}*/

	//初始化C5层
	for(int i = 0; i < 120; ++i)
	{
		for(int j = 0; j < 16; ++j)
		{
			for(int k = 0; k < 5; ++k)
				for(int l = 0; l < 5; ++l)
					C5_conv[j][i][k][l] = (random() - 0.5) * 2 / scale;
		}
		C5_b[i] = 0;
	}

	//初始化F6层
	for(int i = 0; i < 10; ++i)
	{
		for(int j = 0; j < 120; ++j)
			F6_p[j][i] = (random() - 0.5) * 2 / scale;
		F6_b[i] = 0;
	}

	//初始化F7层
	//for(int i = 0; i < 10; ++i)
	//{
	//	for(int j = 0; j < 84; ++j)
	//		F7_p[j][i] = (random() - 0.5) * 2 / scale;
	//	F7_b[i] = 0;
	//}
	cout<<"   cost time:"<<timer.end()<<"s"<<endl;
}

void CNN::readFile()
{
	ifstream infile("train.csv");
	string header;
	int id,r,g,b;
	char comma;
	getline(infile,header);
	cout<<"read train file...";
	timer.start();
	for(int i = 0;i < train_size; ++i)
	{
		infile >> id;
		infile >> comma;
		infile >> label[i];
		for(int j = 0;j < 32; ++j)
		{
			for(int k = 0; k < 32; ++k)
			{
				infile >> comma;
				infile >> r;
				infile >> comma;
				infile >> g;
				infile >> comma;
				infile >> b;
				I0[i][j][k] = (r*0.299 + g*0.587 + b*0.114) / 256; //灰度化输入图像，在缩放到0~1之间
				//cout<<I0[i][j][k]<<endl;
			}
		}
	}
	cout<<"   cost time: "<<timer.end()<<'s'<<endl;
	

}

void CNN::ff(int index)
{
	for(int i = 0; i < batch_size; ++i)
	{
		//C1层
		for(int j =0; j < 6; ++j)
		{
			for(int x = 0; x < 28; ++x)
			{
				for(int y = 0; y < 28; ++y)
				{
					double temp = 0;
					for(int conv_x = 0; conv_x < 5; ++conv_x)
					{
						for(int conv_y = 0; conv_y < 5; ++conv_y)
						{
							temp += I0[index + i][x + conv_x][y + conv_y] * C1_conv[j][conv_x][conv_y];
						}
					}
					C1[i][j][x][y] = sigmoi(temp + C1_b[j]);
				}
			}
		}

		//S2层
		for(int j = 0; j < 6; ++j)
		{
			for(int x = 0; x < 14; ++x)
			{
				for(int y = 0; y < 14; ++y)
				{
					double temp = 0;
					for(int conv_x = x * 2; conv_x < x * 2 + 2; ++conv_x)
					{
						for(int conv_y = y * 2; conv_y < y * 2 + 2; ++conv_y)
						{
							temp += C1[i][j][conv_x][conv_y];
						}
					}
					//S2_mean[i][j][x][y] = temp / 4.0;
					//S2[i][j][x][y] = sigmoi((temp / 4.0) * S2_w[j] + S2_b[j]);
					S2[i][j][x][y] = temp / 4.0;
				}
			}
		}
		
		//C3层
		for(int j = 0; j < 16; ++j) //C3的map个数
		{
			for(int x = 0; x < 10; ++x)
			{
				for(int y = 0; y < 10; ++y)
				{
					double temp = 0;
					for(int k = 0; k < 6; ++k) //S2的map个数
					{
						if(connection[k][j])
						{
							for(int conv_x = 0; conv_x < 5; ++conv_x)
							{
								for(int conv_y = 0; conv_y < 5; ++conv_y)
								{
									temp += S2[i][k][x + conv_x][y + conv_y] * C3_conv[k][j][conv_x][conv_y];
								}
							}
						}
						
					}
					C3[i][j][x][y] = sigmoi(temp + C3_b[j]);
				}
			}
		}

		//S4层
		for(int j = 0; j < 16; ++j)
		{
			for(int x = 0; x < 5; ++x)
			{
				for(int y = 0; y < 5; ++y)
				{
					double temp = 0
最低0.47元/天 解锁文章
shangming111
关注
  • 8
    点赞
  • 踩
  • 48
    收藏
    觉得还不错? 一键收藏
  • 18
    评论
专栏目录
C++实现卷积神经网络CNN（附完整源码）
希望我的博客，能帮上你解决学习中工作中所遇到的问题
05-24 417
C++实现卷积神经网络CNN（附完整源码）
C++实现CNN识别手写数字
01-10
本vs工程实现 C++实现CNN识别手写数字 里面包含有MNIST数据集
C++ 中的卷积神经网络 (CNN)
小白学视觉
06-15 3489
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 CN...
深度解析：基于C++的CNN图像检索实现
最新发布
qq_38334677的博客
06-10 1136
图像检索（Image Retrieval）是指从大量图像数据库中找到与查询图像相似的图像。传统的图像检索方法主要依赖于图像的低级特征（如颜色、纹理、形状等），而现代图像检索更多地依赖于深度学习技术，特别是CNN，通过提取图像的高级特征进行匹配。本文详细介绍了基于C++的CNN图像检索系统的实现方法，包括CNN图像检索的基本概念、图像预处理、特征提取、图像数据库构建和检索等步骤。通过实例代码，我们展示了如何在C++中实现CNN图像检索，并进行了功能扩展和优化。
深度学习C++代码配套教程（5. CNN 卷积神经网络）
minfanphd的博客
02-14 2391
CNN 的 Java 代码在 , 我照着翻译成 C++. 好消息是可以运行了, 坏消息是结果还不正确, 边写贴子边改吧.
c++实现unet
weixin_33737134的博客
10-12 1774
#include<torch/torch.h> #include<iostream> #include<vector> #include<cassert> #include<stdlib.h> #include<unordered_map> #include<fstream> class doub...
卷积神经网 CNN C++ 实现
05-15
C++实现CNN时，需要加载和预处理MNIST数据，将其转换为适合网络输入的格式。 8. **内存管理和并行计算**：C++中实现CNN，需注意内存的有效管理，避免内存泄漏。同时，可以利用OpenMP等库进行多线程并行计算，加速...
C++和BOOST实现CNN的Linux版本
03-29
在实现CNN时，C++的高效性能和内存管理能力使其成为理想选择。 2. **Boost库**：Boost库包含了许多C++标准库的扩展和补充，如智能指针、线程支持、正则表达式、日期时间处理等。在CNN实现中，我们可以利用Boost的多...
基于Libtorch的手写识别项目（MNIST）CNN（卷积神经网络）实现
01-16
手写识别MNIST（Libtorch + CNN实现），其中的潜在问题已在项目中表明，可以前往github：https://github.com/zd1025，预览相关内容，之后将会不断更新新的网络，期待和大家一起进步一起学习
juanji.rar_c++实现卷积
09-19
C++实现卷积的步骤： 1. 定义输入信号和卷积核：首先，我们需要将输入信号和卷积核表示为一维或二维数组。例如，对于图像处理，输入可能是像素数据的二维数组，卷积核则是一个较小的二维数组。 ```cpp int input...
经典 CNN 神经网络 LeNet-5 的 C++ 实现（MNIST数据集）
Charles
08-14 1938
LeNet C++实现
C++元编程——CNN实现
Dr_Jack的博客
11-18 694
就现在来讲，CNN应该就是C++元编程的极限了，再往前也没有什么实际意义了。所以这里也就打个结，算是给自己这段时间的研究一个交代。接下来也没有必要再用C++元编程对机器学习进行艰苦的探索啦。还是专心于自己的专业，干好分内的事。再见，C++元编程！再见，机器学习！
纯C++版的Faster R-CNN（通过caffe自定义RPN层实现）
热门推荐
花泽
05-26 1万+
这里介绍的是通过添加自定义层（RPN层）代替python层，实现c++版的faster-rcnn，因为去掉python了，所以部署时不会因为牵扯到python库等其它的莫名其妙的错误，使用起来就跟单纯的caffe一样，更简单方便。 核心代码，借鉴的是这篇博客，这里的话，我们不扣具体的代码细节（比如rpn层是怎么产出候选框啊，非极大值抑制是具体怎么实现的等等），有兴趣的可以自己查下资料，所以主要是走
C++写一个CNN模型
m0_57468722的博客
01-03 277
好的，我们可以使用 TensorFlow 来实现一个 CNN 模型。 首先，我们需要准备输入数据和标签。接着，我们可以定义模型的网络结构。 下面是一个基本的 CNN 模型的示例代码： import tensorflow as tf # 定义输入层 input_layer = tf.keras.layers.Input(shape=(28, 28, 1)) # 定义卷积层，包含 32 个 3x3...
【C++ 科学计算】基于C++深度学习CNN车辆识别（亲测）
Fanjufei的博客
10-31 374
基于C++深度学习CNN车辆识别（亲测）
libtorch C++ 搭建cnn网络
一千零一夜的博客
09-30 1054
libtorch c++实现全卷积网络
UFLDL Exercise:Convolution and Pooling
YSM'wall
11-24 1748
这一节讲的是cnn里面最核心的两个操作，卷积核
UFLDL Exercise:Sparse Autoencoder
YSM'wall
11-15 1687
之前虽然看了ufldl的教程，但是没去做他的练习，感觉作为一个刚刚入门机器学习的学生，还是不能偷懒，所以趁今天有时间做了第一个练习题Sparse Autoencoder 下面贴下代码 还有讲下做的过程中发现的一些问题。
c++实现CNN文本分类
05-13
要实现CNN文本分类，您需要掌握以下步骤： 1. 数据预处理：将文本数据转换为数字形式，例如使用词袋模型或Word2Vec进行编码。 2. 构建卷积神经网络模型：CNN模型由卷积层、池化层、全连接层和输出层组成。您可以使用C++的深度学习库，如TensorFlow C++或Caffe C++来构建模型。 3. 模型训练：训练CNN模型需要大量的数据和计算资源。您可以使用GPU来加速训练过程。在训练过程中，您需要定义损失函数和优化器，并使用反向传播算法来更新模型参数。 4. 模型测试：在测试过程中，您可以使用测试数据集来评估模型的准确性和性能。 下面是一个使用TensorFlow C++实现CNN文本分类的示例代码： ```C++ #include <tensorflow/cc/client/client_session.h> #include <tensorflow/cc/ops/standard_ops.h> #include <tensorflow/core/framework/tensor.h> #include <tensorflow/core/framework/tensor_shape.h> #include <tensorflow/core/platform/env.h> using namespace tensorflow; using namespace tensorflow::ops; int main() { // 构建CNN模型 Scope root = Scope::NewRootScope(); auto input = Placeholder(root, DT_FLOAT, Placeholder::Shape({-1, 28, 28, 1})); auto conv1 = Conv2D(root, input, 32, {5, 5}, {1, 1}, "SAME"); auto relu1 = Relu(root, conv1); auto pool1 = MaxPool(root, relu1, {2, 2}, {2, 2}, "SAME"); auto conv2 = Conv2D(root, pool1, 64, {5, 5}, {1, 1}, "SAME"); auto relu2 = Relu(root, conv2); auto pool2 = MaxPool(root, relu2, {2, 2}, {2, 2}, "SAME"); auto flat = Flatten(root, pool2); auto fc1 = Dense(root, flat, 1024); auto relu3 = Relu(root, fc1); auto fc2 = Dense(root, relu3, 10); auto logits = fc2; // 定义损失函数和优化器 auto labels = Placeholder(root, DT_FLOAT, Placeholder::Shape({-1, 10})); auto cross_entropy = Mean(root, SoftmaxCrossEntropyWithLogits(root, logits, labels)); auto train_step = GradientDescentOptimizer(root, 0.5).Minimize(cross_entropy); // 初始化变量 ClientSession session(root); TF_CHECK_OK(session.Run({InitOp()})); // 训练模型 for (int i = 0; i < 1000; i++) { // 获取训练数据 Tensor input_tensor(DT_FLOAT, TensorShape({batch_size, 28, 28, 1})); Tensor label_tensor(DT_FLOAT, TensorShape({batch_size, 10})); // 填充数据 // 运行训练操作 TF_CHECK_OK(session.Run({{input, input_tensor}, {labels, label_tensor}}, {train_step})); } // 测试模型 // 获取测试数据 Tensor test_input_tensor(DT_FLOAT, TensorShape({test_size, 28, 28, 1})); Tensor test_label_tensor(DT_FLOAT, TensorShape({test_size, 10})); // 填充数据 // 运行测试操作 std::vector<Tensor> test_outputs; TF_CHECK_OK(session.Run({{input, test_input_tensor}, {labels, test_label_tensor}}, {logits}, &test_outputs)); auto test_logits = test_outputs[0].flat<float>(); // 计算准确率 return 0; } ``` 请注意，此示例仅供参考，您需要根据具体的数据集和任务调整模型结构和参数。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 18
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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