Cranium เป็นไลบรารีเครือข่ายประสาทเทียมแบบป้อนล่วงหน้าแบบพกพาที่เขียนด้วยวานิลลา C99

รองรับเครือข่ายที่เชื่อมต่อเต็มรูปแบบที่มีความลึกและโครงสร้างตามอำเภอใจ และควรจะรวดเร็วพอสมควรเนื่องจากใช้วิธีการคำนวณแบบเมทริกซ์ เหมาะอย่างยิ่งสำหรับเครื่องจักรที่มีทรัพยากรต่ำหรือสภาพแวดล้อมที่ไม่สามารถติดตั้งการขึ้นต่อกันเพิ่มเติมได้

กะโหลกรองรับการรวม CBLAS เพียงไม่ใส่เครื่องหมายข้อคิดเห็นบรรทัดที่ 7 ใน `matrix.h` เพื่อเปิดใช้งานฟังก์ชัน BLAS `sgemm` เพื่อการคูณเมทริกซ์ที่รวดเร็ว

ตรวจสอบเอกสารโดยละเอียดที่นี่สำหรับข้อมูลเกี่ยวกับโครงสร้างและฟังก์ชันแต่ละรายการ

คุณสมบัติ

ฟังก์ชั่นการเปิดใช้งาน
- ซิกมอยด์
- รีลู
- ทานห์
- ซอฟท์แม็กซ์ ( การจำแนกประเภท )
- เชิงเส้น ( การถดถอย )
ฟังก์ชั่นการสูญเสีย
- การสูญเสียเอนโทรปีข้าม ( การจำแนกประเภท )
- ค่าคลาดเคลื่อนกำลังสองเฉลี่ย ( การถดถอย )
อัลกอริธึมการเพิ่มประสิทธิภาพ
- การไล่ระดับสีแบบแบทช์
- โคตรลาดสุ่ม
- โคตรลาดสุ่มสุ่มชุดมินิ
การทำให้เป็นมาตรฐาน L2
อัตราการเรียนรู้หลอม
โมเมนตัมที่เรียบง่าย
การเริ่มต้นน้ำหนักแบบพัดเข้า
รองรับ CBLAS เพื่อการคูณเมทริกซ์ที่รวดเร็ว
เครือข่ายแบบอนุกรมได้

การใช้งาน

เนื่องจาก Cranium เป็นแบบส่วนหัวเท่านั้น เพียงคัดลอกไดเร็กทอรี src ลงในโปรเจ็กต์ของคุณ และ #include "src/cranium.h" เพื่อเริ่มใช้งาน

การพึ่งพาคอมไพเลอร์ที่จำเป็นเพียงอย่างเดียวนั้นมาจากส่วนหัว ดังนั้นให้คอมไพล์ด้วย -lm

หากคุณใช้ CBLAS คุณจะต้องคอมไพล์ด้วย -lcblas และรวมผ่าน -I เส้นทางไปยังทุกที่ที่มีการใช้งาน BLAS ของเครื่องของคุณ รายการทั่วไป ได้แก่ OpenBLAS และ ATLAS

ได้รับการทดสอบแล้วว่าทำงานได้ดีอย่างสมบูรณ์แบบกับการเพิ่มประสิทธิภาพ gcc ทุกระดับ ดังนั้นอย่าลังเลที่จะใช้มัน

ตัวอย่าง

 #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 );