Mạng thần kinh c ++

Genann là một thư viện tối thiểu, đã được thử nghiệm kỹ lưỡng để đào tạo và sử dụng các mạng thần kinh nhân tạo chuyển tiếp (ANN) trong C. Trọng tâm chính của nó là đơn giản, nhanh chóng, đáng tin cậy và có thể hack được. Nó đạt được điều này bằng cách chỉ cung cấp các chức năng cần thiết và thêm một chút

Đặc trưng

• C99 không phụ thuộc
• Chứa trong một mã nguồn duy nhất và tệp tiêu đề
• Đơn giản
• Nhanh chóng và chủ đề an toàn
• Dễ dàng mở rộng
• Thực hiện đào tạo lan truyền ngược
• Tương thích với các phương pháp đào tạo thay thế (tối ưu hóa cổ điển, thuật toán di truyền, v.v.)
• Bao gồm các ví dụ và bộ thử nghiệm
• Được phát hành theo giấy phép zlib - miễn phí cho hầu hết mọi mục đích sử dụng

Xây dựng

Genann độc lập trong hai tệp. genann.c và genann.h. Để sử dụng Genann, chỉ cần thêm hai tệp đó vào dự án của bạn

Mã ví dụ

Bốn chương trình ví dụ được bao gồm trong mã nguồn

• example1.c - Huấn luyện ANN trên hàm XOR bằng cách sử dụng lan truyền ngược
• example2.c - Huấn luyện ANN trên hàm XOR bằng tìm kiếm ngẫu nhiên
• example3.c - Tải và chạy ANN từ một tệp

• genann *genann_init(int inputs, int hidden_layers, int hidden, int outputs);
  genann *genann_copy(genann const *ann);
  void genann_free(genann *ann);

  0 - Huấn luyện ANN trên bộ dữ liệu IRIS bằng cách sử dụng lan truyền ngược

Ví dụ nhanh

Chúng tôi tạo một ANN lấy 2 đầu vào, có 1 lớp gồm 3 nơ-ron ẩn và cung cấp 2 đầu ra. Nó có cấu trúc như sau

Sau đó, chúng tôi đào tạo nó trên một tập hợp dữ liệu được gắn nhãn bằng cách sử dụng lan truyền ngược và yêu cầu nó dự đoán trên một điểm dữ liệu thử nghiệm

#include "genann.h"

/* Not shown, loading your training and test data. */
double **training_data_input, **training_data_output, **test_data_input;

/* New network with 2 inputs,
 * 1 hidden layer of 3 neurons each,
 * and 2 outputs. */
genann *ann = genann_init(2, 1, 3, 2);

/* Learn on the training set. */
for (i = 0; i < 300; ++i) {
    for (j = 0; j < 100; ++j)
        genann_train(ann, training_data_input[j], training_data_output[j], 0.1);
}

/* Run the network and see what it predicts. */
double const *prediction = genann_run(ann, test_data_input[0]);
printf("Output for the first test data point is: %f, %f\n", prediction[0], prediction[1]);

genann_free(ann);

Ví dụ này là để hiển thị cách sử dụng API, nó không hiển thị các kỹ thuật học máy tốt. Trong một ứng dụng thực tế, bạn có thể muốn tìm hiểu dữ liệu thử nghiệm theo thứ tự ngẫu nhiên. Bạn cũng muốn giám sát quá trình học để ngăn chặn quá khớp

Cách sử dụng

Tạo và giải phóng ANN

genann *genann_init(int inputs, int hidden_layers, int hidden, int outputs);
genann *genann_copy(genann const *ann);
void genann_free(genann *ann);

Việc tạo ANN mới được thực hiện bằng hàm

genann *genann_init(int inputs, int hidden_layers, int hidden, int outputs);
genann *genann_copy(genann const *ann);
void genann_free(genann *ann);

genann *genann_init(int inputs, int hidden_layers, int hidden, int outputs);
genann *genann_copy(genann const *ann);
void genann_free(genann *ann);

Gọi

genann *genann_init(int inputs, int hidden_layers, int hidden, int outputs);
genann *genann_copy(genann const *ann);
void genann_free(genann *ann);

genann *genann_init(int inputs, int hidden_layers, int hidden, int outputs);
genann *genann_copy(genann const *ann);
void genann_free(genann *ann);

Gọi cho

genann *genann_init(int inputs, int hidden_layers, int hidden, int outputs);
genann *genann_copy(genann const *ann);
void genann_free(genann *ann);

genann *genann_init(int inputs, int hidden_layers, int hidden, int outputs);
genann *genann_copy(genann const *ann);
void genann_free(genann *ann);

Đào tạo ANN

void genann_train(genann const *ann, double const *inputs,
        double const *desired_outputs, double learning_rate);

genann *genann_init(int inputs, int hidden_layers, int hidden, int outputs);
genann *genann_copy(genann const *ann);
void genann_free(genann *ann);

Mục tiêu thiết kế chính của Genann là lưu trữ tất cả các trọng số mạng trong một khối bộ nhớ liền kề. Điều này giúp đào tạo trọng số mạng dễ dàng và hiệu quả bằng cách sử dụng các thuật toán tối ưu hóa số tìm kiếm trực tiếp, chẳng hạn như Leo đồi, Thuật toán di truyền, Luyện kim mô phỏng, v.v. Các phương pháp này có thể được sử dụng bằng cách tìm kiếm trực tiếp trọng số của ANN. Mỗi cấu trúc

genann *genann_init(int inputs, int hidden_layers, int hidden, int outputs);
genann *genann_copy(genann const *ann);
void genann_free(genann *ann);

genann *genann_init(int inputs, int hidden_layers, int hidden, int outputs);
genann *genann_copy(genann const *ann);
void genann_free(genann *ann);

void genann_train(genann const *ann, double const *inputs,
        double const *desired_outputs, double learning_rate);

void genann_train(genann const *ann, double const *inputs,
        double const *desired_outputs, double learning_rate);

void genann_train(genann const *ann, double const *inputs,
        double const *desired_outputs, double learning_rate);

Lưu và tải ANN

genann *genann_read(FILE *in);
void genann_write(genann const *ann, FILE *out);

Genann cung cấp các hàm

void genann_train(genann const *ann, double const *inputs,
        double const *desired_outputs, double learning_rate);

void genann_train(genann const *ann, double const *inputs,
        double const *desired_outputs, double learning_rate);

đánh giá

double const *genann_run(genann const *ann, double const *inputs);

Gọi

void genann_train(genann const *ann, double const *inputs,
        double const *desired_outputs, double learning_rate);

void genann_train(genann const *ann, double const *inputs,
        double const *desired_outputs, double learning_rate);

void genann_train(genann const *ann, double const *inputs,
        double const *desired_outputs, double learning_rate);

gợi ý

• Tất cả các chức năng bắt đầu với

  void genann_train(genann const *ann, double const *inputs,
          double const *desired_outputs, double learning_rate);

  8
• Mã rất đơn giản. Đào sâu và thay đổi mọi thứ

Tài nguyên bổ sung

máy tính. ai. Câu hỏi thường gặp về mạng nơ-ron là một tài nguyên tuyệt vời để giới thiệu về mạng nơ-ron nhân tạo

Nếu bạn cần một thư viện mạng thần kinh thậm chí còn nhỏ hơn, hãy xem thư viện một lớp ẩn tuyệt vời tinn

Nếu bạn đang tìm kiếm một thư viện mạng nơ-ron nặng hơn, cố chấp hơn trong C, tôi khuyên dùng thư viện FANN. Một thư viện tốt khác là Mạng nơ-ron nhẹ của Peter van Rossum, mặc dù tên của nó nặng hơn và có nhiều tính năng hơn Genann

Bạn có thể tạo một mạng lưới thần kinh trong C không?

3 loại mạng lưới thần kinh khác nhau là gì?

Mạng lưới thần kinh trong CS là gì?

Chúng ta có thể viết mã máy học bằng C không?