ConvNetSharp

---

Überreden

Anfangs als C# Port von ConvNetjs begonnen. Sie können Convetsharp verwenden, um Faltungsnetzwerke (CNN) zu schulen und zu bewerten.

Vielen Dank an den ursprünglichen Autor von Convnetjs (Andrej Karpathy) und an alle Mitwirkenden!
ConvNetSharp stützt sich auf die Managedcuda -Bibliothek, um Nvidia Cuda zu äeln

3 Möglichkeiten zur Schaffung eines neuronalen Netzwerks

Core.layers	Flow.Layer	Berechnungsdiagramm
KEINE RABATION GRAP	Ebenen, die eine Berechnungsgrafik hinter der Szene erstellen	"Reiner Fluss"
Netzwerk organisiert durch Stapeln von Schichten	Netzwerk organisiert durch Stapeln von Schichten	'OPS', die miteinander verbunden sind. Kann komplexere Netzwerke implementieren
ZB Mnistdemo	ZB Mnistflowgpudemo oder Flow -Version von Classify2ddemo	ZB examplecpusingle

Beispielcode

Hier ist ein minimales Beispiel für die Definition eines 2-Schicht-neuronalen Netzwerks und die Schulung an einem einzigen Datenpunkt:

 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)
        }
    }
} 

Fließende API (siehe 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

So wechseln Sie in den GPU -Modus:

• Fügen Sie in den Namespace ' GPU ' hinzu: using ConvNetSharp.Volume. GPU .Single; oder using ConvNetSharp.Volume. GPU .Double;
• BuilderInstance<float>.Volume = new ConvNetSharp.Volume.GPU.Single.VolumeBuilder(); oder BuilderInstance<double>.Volume = new ConvNetSharp.Volume.GPU.Double.VolumeBuilder(); Bei der Bettler Ihres Codes

Sie müssen CUDA Version 10.0 und Cudnn v7.6.4 (27. September 2019) für CUDA 10.0 installiert haben. Cudnn Bin Pfad sollte in der Pfadumgebungsvariable verwiesen werden.

MNIST GPU Demo hier

Netzwerk speichern und laden

Serialisierung in ConvNetSharp.core

 using ConvNetSharp . Core . Serialization ;

[ .. . ]

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

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

Serialisierung in 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)