ConvNetSharp

---

Convnetsharp

Démarré initialement comme port C # ConvNetjs. Vous pouvez utiliser ConvNetSharp pour former et évaluer les réseaux de neurones convolutionnels (CNN).

Merci beaucoup à l'auteur original de ConvNetjs (Andrej Karpathy) et à tous les contributeurs!
Convnetsharp s'appuie sur la bibliothèque Managedcuda pour accéder à Cuda de Nvidia

3 façons de créer un réseau de neurones

Noyaux	Flow.layers	Graphique de calcul
Aucun graphique de calcul	Couches qui créent un graphique de calcul derrière la scène	'Pur flux'
Réseau organisé par empilement des couches	Réseau organisé par empilement des couches	«OPS» connectés les uns aux autres. Peut implémenter des réseaux plus complexes
Par exemple mnistdemo	Par exemple mnistflowgpudemo ou version de flux de classify2ddemo	Par exemple examplecpusingle

Exemple de code

Voici un exemple minimum de définition d'un réseau neuronal à 2 couches et de la formation sur un seul point de données:

 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 CLUENT (voir 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

Pour passer en mode GPU:

• Ajoutez « GPU » dans l'espace de noms: using ConvNetSharp.Volume. GPU .Single; ou using ConvNetSharp.Volume. GPU .Double;
• Ajouter BuilderInstance<float>.Volume = new ConvNetSharp.Volume.GPU.Single.VolumeBuilder(); ou BuilderInstance<double>.Volume = new ConvNetSharp.Volume.GPU.Double.VolumeBuilder(); à la mendicité de votre code

Vous devez avoir CUDA version 10.0 et CUDNN V7.6.4 (27 septembre 2019), pour CUDA 10.0 installé. Le chemin du bin CUDNN doit être référencé dans la variable d'environnement de chemin.

Démo GPU MNIST ici

Enregistrer et charger le réseau

Sérialisation dans convnetsharp.core

 using ConvNetSharp . Core . Serialization ;

[ .. . ]

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

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

Sérialisation dans 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)