ConvNetSharp

---

Convnetsharp

بدأت في البداية كما C# منفذ Convnetjs. يمكنك استخدام ConvnetSharp لتدريب وتقييم الشبكات العصبية التلافيفية (CNN).

شكرًا جزيلاً لك على المؤلف الأصلي لـ ConfnetJS (Andrej Karpathy) وجميع المساهمين!
يعتمد Convnetsharp على مكتبة ManagedCuda إلى Cuda Nvidia's Cuda

3 طرق لإنشاء الشبكة العصبية

core.layers	Flow.layers	الرسم البياني حساب
لا رسم بياني حساب	الطبقات التي تنشئ رسم بياني حساب خلف المشهد	"التدفق النقي"
الشبكة المنظمة عن طريق تكديس الطبقات	الشبكة المنظمة عن طريق تكديس الطبقات	"OPS" متصلة ببعضها البعض. يمكن تنفيذ شبكات أكثر تعقيدًا
مثل mnistdemo	مثل mnistflowgpudemo أو نسخة تدفق من classify2ddemo	مثل explecpusingle

رمز مثال

فيما يلي مثال أدنى على تحديد شبكة عصبية ثنائية الطبقة وتدريبها على نقطة بيانات واحدة:

 using System ;
using ConvNetSharp . Core ;
using ConvNetSharp . Core . Layers . Double ;
using ConvNetSharp . Core . Training . Double ;
using ConvNetSharp . Volume ;
using ConvNetSharp . Volume . Double ;

namespace MinimalExample
{
    internal class Program
    {
        private static void Main ( )
        {
            // specifies a 2-layer neural network with one hidden layer of 20 neurons
            var net = new Net < double > ( ) ;

            // input layer declares size of input. here: 2-D data
            // ConvNetJS works on 3-Dimensional volumes (width, height, depth), but if you're not dealing with images
            // then the first two dimensions (width, height) will always be kept at size 1
            net . AddLayer ( new InputLayer ( 1 , 1 , 2 ) ) ;

            // declare 20 neurons
            net . AddLayer ( new FullyConnLayer ( 20 ) ) ;

            // declare a ReLU (rectified linear unit non-linearity)
            net . AddLayer ( new ReluLayer ( ) ) ;

            // declare a fully connected layer that will be used by the softmax layer
            net . AddLayer ( new FullyConnLayer ( 10 ) ) ;

            // declare the linear classifier on top of the previous hidden layer
            net . AddLayer ( new SoftmaxLayer ( 10 ) ) ;

            // forward a random data point through the network
            var x =  BuilderInstance . Volume . From ( new [ ] { 0.3 , - 0.5 } , new Shape ( 2 ) ) ;

            var prob = net . Forward ( x ) ;

            // prob is a Volume. Volumes have a property Weights that stores the raw data, and WeightGradients that stores gradients
            Console . WriteLine ( " probability that x is class 0: " + prob . Get ( 0 ) ) ; // prints e.g. 0.50101

            var trainer = new SgdTrainer ( net ) { LearningRate = 0.01 , L2Decay = 0.001 } ;
            trainer . Train ( x , BuilderInstance . Volume . From ( new [ ] { 1.0 , 0.0 , 0.0 , 0.0 , 0.0 , 0.0 , 0.0 , 0.0 , 0.0 , 0.0 } , new Shape ( 1 , 1 , 10 , 1 ) ) ) ; // train the network, specifying that x is class zero

            var prob2 = net . Forward ( x ) ;
            Console . WriteLine ( " probability that x is class 0: " + prob2 . Get ( 0 ) ) ;
            // now prints 0.50374, slightly higher than previous 0.50101: the networks
            // weights have been adjusted by the Trainer to give a higher probability to
            // the class we trained the network with (zero)
        }
    }
} 

API بطلاقة (انظر FluentMnistdemo)

 var net = FluentNet < double > . Create ( 24 , 24 , 1 )
                   . Conv ( 5 , 5 , 8 ) . Stride ( 1 ) . Pad ( 2 )
                   . Relu ( )
                   . Pool ( 2 , 2 ) . Stride ( 2 )
                   . Conv ( 5 , 5 , 16 ) . Stride ( 1 ) . Pad ( 2 )
                   . Relu ( )
                   . Pool ( 3 , 3 ) . Stride ( 3 )
                   . FullyConn ( 10 )
                   . Softmax ( 10 )
                   . Build ( ) ; 

GPU

للتبديل إلى وضع GPU:

• أضف " GPU " في مساحة الاسم: using ConvNetSharp.Volume. GPU .Single; أو using ConvNetSharp.Volume. GPU .Double;
• أضف BuilderInstance<float>.Volume = new ConvNetSharp.Volume.GPU.Single.VolumeBuilder(); أو BuilderInstance<double>.Volume = new ConvNetSharp.Volume.GPU.Double.VolumeBuilder(); عند التنقل من الكود الخاص بك

يجب أن يكون لديك CUDA الإصدار 10.0 و Cudnn V7.6.4 (27 سبتمبر 2019) ، لتثبيت CUDA 10.0. يجب الرجوع إلى مسار Cudnn Bin في متغير بيئة المسار.

Mnist GPU Demo هنا

حفظ وتحميل الشبكة

التسلسل في convnetsharp.core

 using ConvNetSharp . Core . Serialization ;

[ .. . ]

// Serialize to json 
var json = net . ToJson ( ) ;

// Deserialize from json
Net deserialized = SerializationExtensions . FromJson < double > ( json ) ;

التسلسل في convnetsharp.flow

 using ConvNetSharp . Flow . Serialization ;

[ .. . ]

// Serialize to two files: MyNetwork.graphml (graph structure) / MyNetwork.json (volume data)
net . Save ( " MyNetwork " ) ;

// Deserialize from files
var deserialized = SerializationExtensions . Load < double > ( " MyNetwork " , false ) [ 0 ] ;  // first element is the network (second element is the cost if it was saved along)