Cranium是一个用 vanilla C99 编写的便携式、仅头文件、前馈人工神经网络库。

它支持任意深度和结构的全连接网络，并且由于使用基于矩阵的方法进行计算，因此速度应该相当快。它特别适合资源匮乏的机器或无法安装额外依赖项的环境。

Cranium 支持 CBLAS 集成。只需取消`matrix.h`中第 7 行的注释即可启用 BLAS `sgemm`函数以进行快速矩阵乘法。

查看此处的详细文档，了解有关各个结构和功能的信息。

特征

激活函数
- 乙状结肠
- ReLU
- 正值
- Softmax（分类）
- 线性（回归）
损失函数
- 交叉熵损失（分类）
- 均方误差（回归）
优化算法
- 批量梯度下降
- 随机梯度下降
- 小批量随机梯度下降
L2 正则化
学习率退火
简单的动力
扇入权重初始化
CBLAS 支持快速矩阵乘法
可串行化网络

用法

由于 Cranium 仅包含头文件，因此只需将src目录复制到您的项目中，然后#include "src/cranium.h"即可开始使用它。

它唯一需要的编译器依赖项来自标头，因此使用-lm进行编译。

如果您使用 CBLAS，您还需要使用-lcblas进行编译，并通过-I包含特定机器的 BLAS 实现所在的路径。常见的有 OpenBLAS 和 ATLAS。

它已经过测试，可以与任何级别的 gcc 优化完美配合，因此请随意使用它们。

例子

 #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 );