cnn c语言,编写C语言版本的卷积神经网络CNN之一：前言与Minst数据集

原创文章

转载请注册来源http://blog.csdn.net/tostq

前言

卷积神经网络是深度学习的基础，但是学习CNN却不是那么简单，虽然网络上关于CNN的相关代码很多，比较经典的是tiny_cnn(C++)、DeepLearnToolbox(Matlab)等等，但通过C语言来编写CNN的却比较少，本人因为想在多核DSP下运行CNN，所以便尝试通过C语言来编写，主要参考的代码是DeepLearnToolbox的内容，DeepLearnToolbox是用Matlab脚本编写，是我看过的最为简单的CNN代码，代码清晰，阅读方便，非常适合新手入门学习。

本文的CNN代码是一个最基本的卷积网络，主要用于手写数字的识别，选择的训练测试是数据库是Minst手写数字库，主要是包括了一个基本的多层卷积网络框架、卷积层、Pooling层、及全连接的单层神经网络输出层，不过CNN其他重要的概念如Dropout、ReLu等暂时没有涉及，但是个人对于新手，学习卷积网络的基本结构及其误差反向传播方法是完全足够。

这里要注意的是，本文的方法并不是深度学习之父Yann. LeCun在1998年就已经提出的成熟算法LeNet-5卷积网络，而只是DeepLearnToolbox内的cnn代码的c语言实现，不过我们会比较二者之间的区别，因为二者的基本原理是相似的。另外，为了不使博客篇幅过长，所以博客中贴的代码并不完整，完整代码请见附件。

这篇博客总共分为四节：

第一节：前言，介绍项目结构及Minst数据集测试训练数据集

第二节：主要介绍CNN的网络结构、相关数据结构

第三节：重点介绍CNN学习训练过程的误差反向传播方法，采用的是在线训练方式

第四节：CNN的学习及测试结果的比较

论文参考文献：

Y. LeCun, L. Bottou, Y. Bengio and P. Haffner:Gradient-Based Learning Applied to Document Recognition, Proceedings of the IEEE, 86(11):2278-2324,

November 1998

一、代码结构

本文的CNN代码是通过标准C编写&