卷积神经网络原理及其C++/Opencv实现(6)—前向传播代码实现

最新推荐文章于 2023-04-18 01:10:30 发布

生活需要深度

最新推荐文章于 2023-04-18 01:10:30 发布

阅读量606

点赞数 1

文章标签： opencv cnn c++

本文链接：https://blog.csdn.net/u012294613/article/details/126057847

版权

AI 专栏收录该内容

37 篇文章 8 订阅

订阅专栏

首先列出本系列博文的链接：

1. 卷积神经网络原理及其C++/Opencv实现(1)

2. 卷积神经网络原理及其C++/Opencv实现(2)

3. 卷积神经网络原理及其C++/Opencv实现(3)

4. 卷积神经网络原理及其C++/Opencv实现(4)—误反向传播法

5. 卷积神经网络原理及其C++/Opencv实现(5)—参数更新

在以上文章中，我们基本把5层网络的原理、公式推导讲过了，从本文开始，我们来讲一下基于C++和Opencv的5层卷积神经网络实现吧~

1. 结构体定义

(1) 卷积层的结构体

typedef struct convolutional_layer{  int inputWidth;   //输入图像的宽  int inputHeight;  //输入图像的长  int mapSize;      //卷积核的尺寸
  int inChannels;   //输入图像的数目  int outChannels;  //输出图像的数目    vector<vector<Mat>> mapData;  //四维float数组，卷积核本身是二维数据，m*n哥卷积核就是四维数组
  Mat basicData; //偏置，个数为outChannels， 一维float数组
  bool isFullConnect; //是否为全连接
  vector<Mat> v;   //进入激活函数的输入值,三维数组float型  vector<Mat> y;   //激活函数后神经元的输出，三维数组float型  vector<Mat> d;     // 网络的局部梯度,三维数组float型
}CovLayer;

(2) 池化层的结构体

typedef struct pooling_layer{  int inputWidth;   //输入图像的宽  int inputHeight;  //输入图像的长  int mapSize;      //卷积核的大小
  int inChannels;   //输入图像的数目  int outChannels;  //输出图像的数目
  int poolType;     //池化的方法    Mat basicData;    //偏置, 一维float数组
  vector<Mat> y;   //采样函数后神经元的输出,无激活函数，三维数组float型  vector<Mat> d;   //网络的局部梯度,三维数组float型  vector<Mat> max_position;   // 最大值模式下最大值的位置，三维数组float型
}PoolLayer;

(3) 输出层的结构

typedef struct nn_layer{  int inputNum;   //输入数据的数目  int outputNum;  //输出数据的数目    Mat wData;            // 权重数据，为一个inputNum*outputNum大小  Mat basicData;        //偏置，大小为outputNum大小
  Mat v;     // 进入激活函数的输入值  Mat y;     // 激活函数后神经元的输出  Mat d;     // 网络的局部梯度
  bool isFullConnect; //是否为全连接}OutLayer;

(4) 5层网络的结构体

typedef struct cnn_network{  int layerNum;  CovLayer C1;  PoolLayer S2;  CovLayer C3;  PoolLayer S4;  OutLayer O5;
  Mat e;   // 训练误差  Mat L;   // 瞬时误差能量}CNN;

(5) 训练参数的结构体

typedef struct train_opts{  int numepochs; // 训练的迭代次数  float alpha; // 学习率}CNNOpts;

2. 5层网络的初始化

(1) 卷积层结构体初始化

CovLayer initCovLayer(int inputWidth, int inputHeight, int mapSize, int inChannels, int outChannels){  CovLayer covL;
  covL.inputHeight = inputHeight;  covL.inputWidth = inputWidth;  covL.mapSize = mapSize;
  covL.inChannels = inChannels;  covL.outChannels = outChannels;
  covL.isFullConnect = true;   // 默认为全连接
  // 权重空间的初始化，先行再列调用，[r][c]  srand((unsigned)time(NULL));   //设置随机数种子  for(int i = 0; i < inChannels; i++)   //输入通道数  {    vector<Mat> tmp;    for(int j = 0; j < outChannels; j++)   //输出通道数    {      Mat tmpmat(mapSize, mapSize, CV_32FC1);  //初始化一个mapSize*mapSize的二维矩阵      for(int r = 0; r < mapSize; r++)   //卷积核的高      {        for(int c = 0; c < mapSize; c++)  //卷积核的宽        {          //使用随机数初始化卷积核          float randnum=(((float)rand()/(float)RAND_MAX)-0.5)*2;    //生成-1~1的随机数          tmpmat.ptr<float>(r)[c] = randnum*sqrt(6.0/(mapSize*mapSize*(inChannels+outChannels)));        }      }      tmp.push_back(tmpmat.clone());    }    covL.mapData.push_back(tmp);  }
  covL.basicData = Mat::zeros(1, outChannels, CV_32FC1);   //初始化卷积层偏置的内存
  int outW = inputWidth - mapSize + 1;   //valid模式下卷积层输出的宽  int outH = inputHeight - mapSize + 1;  //valid模式下卷积层输出的高
  Mat tmpmat2 = Mat::zeros(outH, outW, CV_32FC1);  for(int i = 0; i < outChannels; i++)  {    covL.d.push_back(tmpmat2.clone());  //初始化局部梯度    covL.v.push_back(tmpmat2.clone());  //初始化输入激活函数之前的值    covL.y.push_back(tmpmat2.clone());  //初始化输入激活函数之后的值  }
  return covL;   //返回初始化之后的卷积层结构体}

(2) 池化层结构体初始化

PoolLayer initPoolLayer(int inputWidth, int inputHeight, int mapSize, int inChannels, int outChannels, int poolType){  PoolLayer poolL;
  poolL.inputHeight=inputHeight;    //输入高度  poolL.inputWidth=inputWidth;      //输入宽度  poolL.mapSize=mapSize;            //卷积核尺寸，池化层相当于做一个特殊的卷积操作  poolL.inChannels=inChannels;      //输入通道  poolL.outChannels=outChannels;    //输出通道  poolL.poolType=poolType;          //最大值模式1/平均值模式0
  poolL.basicData = Mat::zeros(1, outChannels, CV_32FC1);    //池化层无偏置，无激活，这里只是预留偏置内存
  int outW = inputWidth/mapSize;   //池化层的卷积核为2*2  int outH = inputHeight/mapSize;
  Mat tmpmat = Mat::zeros(outH, outW, CV_32FC1);  Mat tmpmat1 = Mat::zeros(outH, outW, CV_32SC1);  for(int i = 0; i < outChannels; i++)  {    poolL.d.push_back(tmpmat.clone());   //局域梯度    poolL.y.push_back(tmpmat.clone());   //采样函数后神经元输出，无激活函数    poolL.max_position.push_back(tmpmat1.clone());   //最大值模式下最大值在原矩阵中的位置  }
  return poolL;}

(3) 输出层结构体初始化

OutLayer initOutLayer(int inputNum, int outputNum){  OutLayer outL;
  outL.inputNum = inputNum;  outL.outputNum = outputNum;  outL.isFullConnect = true;
  outL.basicData = Mat::zeros(1, outputNum, CV_32FC1);    //偏置,分配内存的同时初始化为0  outL.d = Mat::zeros(1, outputNum, CV_32FC1);  outL.v = Mat::zeros(1, outputNum, CV_32FC1);  outL.y = Mat::zeros(1, outputNum, CV_32FC1);
  // 权重的初始化  outL.wData = Mat::zeros(outputNum, inputNum, CV_32FC1);   // 输出行，输入列,权重为10*192矩阵  srand((unsigned)time(NULL));  for(int i = 0; i < outputNum; i++)  {    float *p = outL.wData.ptr<float>(i);    for(int j = 0; j < inputNum; j++)    {      //使用随机数初始化权重      float randnum = (((float)rand()/(float)RAND_MAX)-0.5)*2; // 产生一个-1到1的随机数,rand()的取值范围为0~RAND_MAX      p[j] = randnum*sqrt(6.0/(inputNum+outputNum));    }  }
  return outL;}

(4) 5层网络结构体初始化

void cnnsetup(CNN &cnn, int inputSize_r, int inputSize_c, int outputSize)   //cnn初始化{  cnn.layerNum = 5;
  //C1层  int mapSize = 5;  int inSize_c = inputSize_c;   //28  int inSize_r = inputSize_r;   //28  int C1_outChannels = 6;  cnn.C1 = initCovLayer(inSize_c, inSize_r, mapSize, 1, C1_outChannels);   //卷积层1    //S2层  inSize_c = inSize_c - cnn.C1.mapSize + 1;  //24  inSize_r = inSize_r - cnn.C1.mapSize + 1;  //24  mapSize = 2;  cnn.S2 = initPoolLayer(inSize_c, inSize_r, mapSize, cnn.C1.outChannels, cnn.C1.outChannels, MaxPool);   //池化层    //C3层  inSize_c = inSize_c / cnn.S2.mapSize;   //12  inSize_r = inSize_r / cnn.S2.mapSize;   //12  mapSize = 5;  int C3_outChannes = 12;  cnn.C3 = initCovLayer(inSize_c, inSize_r, mapSize, cnn.S2.outChannels, C3_outChannes);   //卷积层
  //S4层  inSize_c = inSize_c - cnn.C3.mapSize + 1;   //8  inSize_r = inSize_r - cnn.C3.mapSize + 1;   //8  mapSize = 2;  cnn.S4 = initPoolLayer(inSize_c, inSize_r, mapSize, cnn.C3.outChannels, cnn.C3.outChannels, MaxPool);    //池化层    //O5层  inSize_c = inSize_c / cnn.S4.mapSize;   //4  inSize_r = inSize_r / cnn.S4.mapSize;   //4  cnn.O5 = initOutLayer(inSize_c*inSize_r*cnn.S4.outChannels, outputSize);    //输出层
  cnn.e = Mat::zeros(1, cnn.O5.outputNum, CV_32FC1);   //输出层的输出值与标签值之差}

3. 二维图像的卷积实现

调用Opencv的filter2D函数，可以很方便、很快速地实现二维卷积运算。我们首先实现full模式，valid和same模式地卷积结果可以直接从full模式的结果中截取。

需要注意的是，在卷积神经网络中，我们说的卷积运算其实是互相关运算，也即开始卷积运算之前卷积核不需要做顺时针180°的旋转。

Mat correlation(Mat map, Mat inputData, int type) {  const int map_row = map.rows;  const int map_col = map.cols;  const int map_row_2 = map.rows/2;  const int map_col_2 = map.cols/2;  const int in_row = inputData.rows;  const int in_col = inputData.cols;
  //先按full模式扩充图像边缘  Mat exInputData;  copyMakeBorder(inputData, exInputData, map_row_2, map_row_2, map_col_2, map_col_2, BORDER_CONSTANT, 0);  Mat OutputData;  filter2D(exInputData, OutputData, exInputData.depth(), map);
    if(type == full)  //full模式  {    return OutputData;  }  else if(type == valid)  //valid模式  {    int out_row = in_row - (map_row - 1);    int out_col = in_col - (map_col - 1);    Mat outtmp;    OutputData(Rect(2*map_col_2, 2*map_row_2, out_col, out_row)).copyTo(outtmp);    return outtmp;  }  else   //same模式  {    Mat outtmp;    OutputData(Rect(map_col_2, map_row_2, in_col, in_row)).copyTo(outtmp);    return outtmp;  }  }

4. 池化层的实现

(1) 均值池化

void avgPooling(Mat input, Mat &output, int mapSize) {  const int outputW = input.cols/mapSize;   //输出宽=输入宽/核宽  const int outputH = input.rows/mapSize;   //输出高=输入高/核高  float len = (float)(mapSize*mapSize);  int i,j,m,n;  for(i = 0;i < outputH; i++)  {    for(j = 0; j < outputW; j++)    {      float sum=0.0;      for(m = i*mapSize; m < i*mapSize+mapSize; m++)  //取卷积核大小的窗口求和平均      {        for(n = j*mapSize; n < j*mapSize+mapSize; n++)        {          sum += input.ptr<float>(m)[n];        }      }
      output.ptr<float>(i)[j] = sum/len;    }  }}

(2) 最大值池化

void maxPooling(Mat input, Mat &max_position, Mat &output, int mapSize){  int outputW = input.cols / mapSize;   //输出宽=输入宽/核宽  int outputH = input.rows / mapSize;   //输出高=输入高/核高
  int i, j, m, n;  for (i = 0; i < outputH; i++)  {    for (j = 0; j < outputW; j++)    {      float max = -999999.0;      int max_index = 0;
      for (m = i*mapSize; m<i*mapSize + mapSize; m++)  //取卷积核大小的窗口的最大值      {        for (n = j*mapSize; n<j*mapSize + mapSize; n++)        {          if (max < input.ptr<float>(m)[n])  //求池化窗口中的最大值，并记录最大值位置          {            max = input.ptr<float>(m)[n];            max_index = m*input.cols + n;          }        }      }
      output.ptr<float>(i)[j] = max;    //求得最大值作为池化输出      max_position.ptr<int>(i)[j] = max_index;   //记录最大值在原矩阵中的位置，用于反向传播    }  }}

5. 激活函数与向量点乘函数的实现

(1) Relu函数

float activation_Sigma(float input, float bas) {  float temp = input + bas;  return (temp > 0 ? temp: 0);}

(2) Softmax函数

void softmax(OutLayer &O){  float sum = 0.0;  float *p_y = O.y.ptr<float>(0);  float *p_v = O.v.ptr<float>(0);  float *p_b = O.basicData.ptr<float>(0);  for (int i = 0; i < O.outputNum; i++)  {    float Yi = exp(p_v[i]+ p_b[i]);    sum += Yi;    p_y[i] = Yi;  }
  for (int i = 0; i < O.outputNum; i++)  {    p_y[i] = p_y[i]/sum;  }}

(3) 两个一维向量的点乘函数

以下函数中，vec1和vec2是两个长度相同的一维向量，点乘的结果就是它们对应位置的值相乘，然后把所有乘积相加的结果。

float vecMulti(Mat vec1, float *vec2)// 两向量相乘{  float *p1 = vec1.ptr<float>(0);  float m = 0;  for (int i = 0; i < vec1.cols; i++)    m = m + p1[i] * vec2[i];  return m;}

6. 5层网络前向传播的实现

(1) 卷积层前向传播

//输入的inputData有可能是一张图像，也有可能是多张图像，如果是多张图像，则把它们的卷积结果累加起来void cov_layer_ff(vector<Mat> inputData, int cov_type, CovLayer &C){  for (int i = 0; i < (C.outChannels); i++)     {    for (int j = 0; j < (C.inChannels); j++)       {      //计算卷积，mapData为四维矩阵       Mat mapout = correlation(C.mapData[j][i], inputData[j], cov_type);      C.v[i] += mapout;     //所有输入通道的卷积结果累加    }
    int output_r = C.y[i].rows;    int output_c = C.y[i].cols;    for (int r = 0; r < output_r; r++)    {      for (int c = 0; c < output_c; c++)      {        C.y[i].ptr<float>(r)[c] = activation_Sigma(C.v[i].ptr<float>(r)[c], C.basicData.ptr<float>(0)[i]);   //先加上偏置，再输入激活函数      }    }  }}

(2) 池化层前向传播

#define AvePool 0#define MaxPool 1
void pool_layer_ff(vector<Mat> inputData, int pool_type, PoolLayer &S){  if (pool_type == AvePool)  //均值池化  {    for (int i = 0; i < S.outChannels; i++)      {      avgPooling(inputData[i], S.y[i], S.mapSize);    }  }  else if(pool_type == MaxPool)   //最大值池化  {    for (int i = 0; i < S.outChannels; i++)      {      maxPooling(inputData[i], S.max_position[i], S.y[i], S.mapSize);    }  }  else  {    printf("pool type erroe!\n");  }}

(3) 输出层前向传播

void nnff(Mat input, Mat wdata, Mat &output){  for (int i = 0; i < output.cols; i++)  //分别计算多个向量相乘的乘积    output.ptr<float>(0)[i] = vecMulti(input, wdata.ptr<float>(i));   //由于输入激活函数之前就有加上偏置的操作，所以此处不再加偏置}

void out_layer_ff(vector<Mat> inputData, OutLayer &O){  Mat OinData(1, O.inputNum, CV_32FC1);   //输入192通道  float *OinData_p = OinData.ptr<float>(0);  int outsize_r = inputData[0].rows;  int outsize_c = inputData[0].cols;  int last_output_len = inputData.size();  for (int i = 0; i < last_output_len; i++)   //上一层S4输出12通道的4*4矩阵  {    for (int r = 0; r < outsize_r; r++)    {      for (int c = 0; c < outsize_c; c++)      {        //将12通道4*4矩阵展开成长度为192的一维向量        OinData_p[i*outsize_r*outsize_c + r*outsize_c + c] = inputData[i].ptr<float>(r)[c];        }    }  }
  //192*10个权重  nnff(OinData, O.wData, O.v);   //10通道输出,1个通道的输出等于192个输入分别与192个权重相乘的和：∑in[i]*w[i], 0≤i<192    //Affine层的输出经过Softmax函数，转换成0~1的输出结果  softmax(O);}

(4) 5层网络前向传播

void cnnff(CNN &cnn, Mat inputData){  //C1  //5*5卷积核  //输入28*28矩阵  //输出(28-25+1)*(28-25+1) = 24*24矩阵  vector<Mat> input_tmp;  input_tmp.push_back(inputData);  cov_layer_ff(input_tmp, valid, cnn.C1);       //S2  //24*24-->12*12  pool_layer_ff(cnn.C1.y, MaxPool, cnn.S2);
  //C3  //12*12-->8*8  cov_layer_ff(cnn.S2.y, valid, cnn.C3);
  //S4  //8*8-->4*4  pool_layer_ff(cnn.C3.y, MaxPool, cnn.S4);
  //O5  //12*4*4-->192-->1*10  out_layer_ff(cnn.S4.y, cnn.O5);}

好了，本文就讲到这里，接下来的文章我们来讲反向传播的实现和参数更新的实现，敬请期待~

生活需要深度

关注

1
点赞
踩
4

收藏

觉得还不错? 一键收藏
0
评论
卷积神经网络原理及其C++/Opencv实现(6)—前向传播代码实现

在以上文章中，我们基本把5层网络的原理、公式推导讲过了，从本文开始，我们来讲一下基于C++和Opencv的5层卷积神经网络实现吧~需要注意的是，在卷积神经网络中，我们说的卷积运算其实是互相关运算，也即开始卷积运算之前卷积核不需要做顺时针180°的旋转。以下函数中，vec1和vec2是两个长度相同的一维向量，点乘的结果就是它们对应位置的值相乘，然后把所有乘积相加的结果。好了，本文就讲到这里，接下来的文章我们来讲反向传播的实现和参数更新的实现，敬请期待~...
复制链接

扫一扫