Cranium

Cranium adalah perpustakaan jaringan saraf tiruan feedforward portabel, hanya header-saja, yang ditulis dalam vanilla C99.

Ini mendukung jaringan yang terhubung sepenuhnya dengan kedalaman dan struktur yang berubah-ubah, dan harus cukup cepat karena menggunakan pendekatan perhitungan berbasis matriks. Ini sangat cocok untuk mesin dengan sumber daya rendah atau lingkungan di mana dependensi tambahan tidak dapat diinstal.

Cranium mendukung integrasi CBLAS. Cukup hapus komentar pada baris 7 di matrix.h untuk mengaktifkan fungsi sgemm BLAS untuk perkalian matriks dengan cepat.

Lihat dokumentasi terperinci di sini untuk informasi tentang masing-masing struktur dan fungsi.

---

Fitur

• Fungsi aktivasi
  • sigmoid
  • ULT
  • tanh
  • softmax ( klasifikasi )
  • linier ( regresi )
• Fungsi kerugian
  • Kehilangan lintas entropi ( klasifikasi )
  • Rata-rata kesalahan kuadrat ( regresi )
• Algoritma optimasi
  • Penurunan Gradien Batch
  • Penurunan Gradien Stokastik
  • Penurunan Gradien Stokastik Batch Mini
• Regularisasi L2
• Anil kecepatan pembelajaran
• Momentumnya sederhana
• Inisialisasi bobot kipas
• Dukungan CBLAS untuk perkalian matriks cepat
• Jaringan yang dapat diserialkan

---

Penggunaan

Karena Cranium hanya bersifat header, cukup salin direktori src ke dalam proyek Anda, dan #include "src/cranium.h" untuk mulai menggunakannya.

Ketergantungan kompiler yang diperlukan hanya dari header , jadi kompilasi dengan -lm .

Jika Anda menggunakan CBLAS, Anda juga perlu mengkompilasi dengan -lcblas dan menyertakan, melalui -I , jalur ke mana pun implementasi BLAS mesin Anda berada. Yang umum termasuk OpenBLAS dan ATLAS.

Ini telah diuji untuk bekerja dengan baik pada tingkat optimasi gcc apa pun, jadi silakan menggunakannya.

---

Contoh

 #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 );

---

Membangun dan Menguji

Untuk menjalankan tes, lihat di folder tests .

Makefile memiliki perintah untuk menjalankan setiap kumpulan pengujian unit, atau semuanya sekaligus.

---

Berkontribusi

Jangan ragu untuk mengirimkan permintaan tarik jika Anda ingin menambahkan fitur apa pun atau jika Anda menemukan bug.

Periksa tab masalah untuk mengetahui beberapa hal yang mungkin dapat dilakukan.