Cranium

Cranium es una biblioteca de redes neuronales artificiales de avance, portátil, solo de encabezado, escrita en Vanilla C99.

Admite redes totalmente conectadas de profundidad y estructura arbitrarias, y debería ser razonablemente rápido ya que utiliza un enfoque de cálculo basado en matrices. Es particularmente adecuado para máquinas de bajos recursos o entornos en los que no se pueden instalar dependencias adicionales.

Cranium admite la integración de CBLAS. Simplemente descomente la línea 7 en matrix.h para habilitar la función BLAS sgemm para una rápida multiplicación de matrices.

Consulte la documentación detallada aquí para obtener información sobre estructuras y funciones individuales.

---

Características

• Funciones de activación
  • sigmoideo
  • ReLU
  • tanh
  • softmax ( clasificación )
  • lineal ( regresión )
• Funciones de pérdida
  • Pérdida de entropía cruzada ( clasificación )
  • Error cuadrático medio ( regresión )
• Algoritmos de optimización
  • Descenso de gradiente por lotes
  • Descenso del gradiente estocástico
  • Descenso de gradiente estocástico de mini lotes
• Regularización L2
• Recocido de tasa de aprendizaje
• impulso simple
• Inicialización del peso en abanico
• Soporte CBLAS para multiplicación rápida de matrices
• Redes serializables

---

Uso

Dado que Cranium solo tiene encabezado, simplemente copie el directorio src en su proyecto e #include "src/cranium.h" para comenzar a usarlo.

Su única dependencia del compilador requerida es la del encabezado , así que compila con -lm .

Si está utilizando CBLAS, también necesitará compilar con -lcblas e incluir, a través de -I , la ruta a donde esté la implementación BLAS de su máquina en particular. Los más comunes incluyen OpenBLAS y ATLAS.

Se ha probado que funciona perfectamente con cualquier nivel de optimización de gcc, así que siéntete libre de usarlos.

---

Ejemplo

 #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 );

---

Construcción y pruebas

Para ejecutar pruebas, busque en la carpeta tests .

El Makefile tiene comandos para ejecutar cada lote de pruebas unitarias, o todas a la vez.

---

Contribuyendo

No dudes en enviar una solicitud de extracción si deseas agregar alguna característica o si encuentras un error.

Consulte la pestaña de problemas para ver algunas posibles cosas que hacer.