Cranium عبارة عن مكتبة شبكة عصبية اصطناعية محمولة ذات رأسية فقط ومزودة بالتغذية الأمامية مكتوبة بلغة الفانيليا C99.

وهو يدعم شبكات متصلة بالكامل ذات عمق وبنية عشوائية، ويجب أن يكون سريعًا إلى حد معقول لأنه يستخدم نهجًا قائمًا على المصفوفة في العمليات الحسابية. إنها مناسبة بشكل خاص للأجهزة أو البيئات منخفضة الموارد التي لا يمكن تثبيت تبعيات إضافية فيها.

يدعم Cranium تكامل CBLAS. ما عليك سوى إلغاء التعليق على السطر 7 في `matrix.h` لتمكين وظيفة BLAS `sgemm` من أجل الضرب السريع للمصفوفات.

تحقق من الوثائق التفصيلية هنا للحصول على معلومات حول الهياكل والوظائف الفردية.

سمات

وظائف التنشيط
- السيني
- ReLU
- تانه
- سوفت ماكس ( التصنيف )
- خطي ( الانحدار )
وظائف الخسارة
- خسارة الإنتروبيا المتقاطعة ( التصنيف )
- متوسط الخطأ التربيعي ( الانحدار )
خوارزميات التحسين
- دفعة التدرج الهبوط
- الهبوط التدرج العشوائي
- دفعة صغيرة من الهبوط التدرج العشوائي
تنظيم L2
معدل التعلم الصلب
زخم بسيط
تهيئة وزن المروحة
دعم CBLAS لضرب المصفوفات بسرعة
شبكات قابلة للتسلسل

الاستخدام

نظرًا لأن Cranium هو رأس فقط، فما عليك سوى نسخ دليل src إلى مشروعك، و #include "src/cranium.h" لبدء استخدامه.

تبعية المترجم المطلوبة الوحيدة هي من رأس ، لذا قم بالتجميع باستخدام -lm .

إذا كنت تستخدم CBLAS، فستحتاج أيضًا إلى الترجمة باستخدام -lcblas وتضمين المسار، عبر -I ، إلى أي مكان يوجد فيه تطبيق BLAS لجهازك. وتشمل تلك الشائعة OpenBLAS وATLAS.

لقد تم اختباره للعمل بشكل جيد تمامًا مع أي مستوى من تحسين دول مجلس التعاون الخليجي، لذا لا تتردد في استخدامها.

مثال

 #include "cranium.h"

/*
This basic example program is the skeleton of a classification problem.
The training data should be in matrix form, where each row is a data point, and
    each column is a feature. 
The training classes should be in matrix form, where the ith row corresponds to
    the ith training example, and each column is a 1 if it is of that class, and
    0 otherwise. Each example may only be of 1 class.
*/

// create training data and target values (data collection not shown)
int rows , features , classes ;
float * * training ;
float * * classes ;

// create datasets to hold the data
DataSet * trainingData = createDataSet ( rows , features , training );
DataSet * trainingClasses = createDataSet ( rows , classes , classes );

// create network with 2 input neurons, 1 hidden layer with sigmoid
// activation function and 5 neurons, and 2 output neurons with softmax 
// activation function
srand ( time ( NULL ));
size_t hiddenSize [] = { 5 };
Activation hiddenActivation [] = { sigmoid };
Network * net = createNetwork ( 2 , 1 , hiddenSize , hiddenActivation , 2 , softmax );

// train network with cross-entropy loss using Mini-Batch SGD
ParameterSet params ;
params . network = net ;
params . data = trainingData ;
params . classes = trainingClasses ;
params . lossFunction = CROSS_ENTROPY_LOSS ;
params . batchSize = 20 ;
params . learningRate = .01 ;
params . searchTime = 5000 ;
params . regularizationStrength = .001 ;
params . momentumFactor = .9 ;
params . maxIters = 10000 ;
params . shuffle = 1 ;
params . verbose = 1 ;
optimize ( params );

// test accuracy of network after training
printf ( "Accuracy is %fn" , accuracy ( net , trainingData , trainingClasses ));

// get network's predictions on input data after training
forwardPass ( net , trainingData );
int * predictions = predict ( net );
free ( predictions );

// save network to a file
saveNetwork ( net , "network" );

// free network and data
destroyNetwork ( net );
destroyDataSet ( trainingData );
destroyDataSet ( trainingClasses );

// load previous network from file
Network * previousNet = readNetwork ( "network" );
destroyNetwork ( previousNet );