Cranium是一個用 vanilla C99 編寫的便攜式、僅頭檔、前饋人工神經網路庫。

它支援任意深度和結構的全連接網絡，並且由於使用基於矩陣的方法進行計算，因此速度應該相當快。它特別適合資源匱乏的機器或無法安裝額外依賴項的環境。

Cranium 支援 CBLAS 整合。只需取消`matrix.h`中第 7 行的註解即可啟用 BLAS `sgemm`函數以進行快速矩陣乘法。

查看此處的詳細文檔，以了解有關各個結構和功能的資訊。

特徵

激活函數
- 乙狀結腸
- ReLU
- 正值
- Softmax（分類）
- 線性（迴歸）
損失函數
- 交叉熵損失（分類）
- 均方誤差（迴歸）
最佳化演算法
- 批量梯度下降
- 隨機梯度下降
- 小批量隨機梯度下降
L2 正規化
學習率退火
簡單的動力
扇入權重初始化
CBLAS 支援快速矩陣乘法
可串列化網絡

用法

由於 Cranium 僅包含頭文件，因此只需將src目錄複製到您的專案中，然後#include "src/cranium.h"即可開始使用它。

它唯一需要的編譯器依賴項來自標頭，因此使用-lm進行編譯。

如果您使用 CBLAS，您還需要使用-lcblas進行編譯，並透過-I包含特定機器的 BLAS 實現所在的路徑。常見的有 OpenBLAS 和 ATLAS。

它已經過測試，可以與任何級別的 gcc 優化完美配合，因此請隨意使用它們。

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 );