上传源码
  1. 首页
  2. C/C++

LeNet-5神经网络——C源代码

标签： 人工智能 深度学习 c语言  • 文件类型: .zip • 文件大小: 10.99MB • 下载次数: 1 •

LeNet-5神经网络 C源代码，这个写的比较好，可以用gcc编译去跑，结合理论可以对深度学习有更深刻的了解 介绍 根据YANN LECUN的论文《Gradient-based Learning Applied To Document Recognition》设计的LeNet-5神经网络，C语言写成，不依赖任何第三方库。 MNIST手写字符集初代训练识别率97%，多代训练识别率98%。 DEMO main.c文件为MNIST数据集的识别DEMO，直接编译即可运行，训练集60000张，测试集10000张。 项目环境 该项目为VISUAL STUDIO 2015项目，用VISUAL STUDIO 2015 UPDATE1及以上直接打开即可编译。采用ANSI C编写，因此源码无须修改即可在其它平台上编译。 如果因缺少openmp无法编译，请将lenet.c中的#include和#pragma omp parallel for删除掉即可。 API #####批量训练 lenet: LeNet5的权值的指针，LeNet5神经网络的核心 inputs： 要训练的多个图片对应unsigned char二维数组的数组,指向的二维数组的batchSize倍大小内存空间指针。在MNIST测试DEMO中二维数组为28x28，每个二维数组数值分别为对应位置图像像素灰度值 resMat：结果向量矩阵 labels：要训练的多个图片分别对应的标签数组。大小为batchSize batchSize:批量训练输入图像（二维数组）的数量 void TrainBatch(LeNet5 *lenet, image *inputs, const char(*resMat)[OUTPUT],uint8 *labels, int batchSize); #####单个训练 lenet: LeNet5的权值的指针，LeNet5神经网络的核心 input： 要训练的图片对应二维数组 resMat：结果向量矩阵 label: 要训练的图片对应的标签 void Train(LeNet5 *lenet, image input, const char(*resMat)[OUTPUT],uint8 label); #####预测 lenet: LeNet5的权值的指针，LeNet5神经网络的核心 input: 输入的图像的数据 labels: 结果向量矩阵指针 count: 结果向量个数 return 返回值为预测的结果 int Predict(LeNet5 *lenet, image input, const char(*labels)[LAYER6], int count); #####初始化 lenet: LeNet5的权值的指针，LeNet5神经网络的核心
资源截图
小图 大图
代码片段和文件信息 
#include “lenet.h“
#include 
#include 
#include 
#include 

#define GETLENGTH（array） （sizeof（array）/sizeof（*（array）））

#define GETCOUNT（array）  （sizeof（array）/sizeof（double））

#define FOREACH（icount） for （int i = 0; i < count; ++i）

#define CONVOLUTE_VALID（inputoutputweight）											
{																						
	FOREACH（o0GETLENGTH（output））														
		FOREACH（o1GETLENGTH（*（output）））												
			FOREACH（w0GETLENGTH（weight））												
				FOREACH（w1GETLENGTH（*（weight）））										
					（output）[o0][o1] += （input）[o0 + w0][o1 + w1] * （weight）[w0][w1];	
}

#define CONVOLUTE_FULL（inputoutputweight）												
{																						
	FOREACH（i0GETLENGTH（input））														
		FOREACH（i1GETLENGTH（*（input）））													
			FOREACH（w0GETLENGTH（weight））												
				FOREACH（w1GETLENGTH（*（weight）））										
					（output）[i0 + w0][i1 + w1] += （input）[i0][i1] * （weight）[w0][w1];	
}

#define CONVOLUTION_FORWARD（inputoutputweightbiasaction）					
{																				
	for （int x = 0; x < GETLENGTH（weight）; ++x）									
		for （int y = 0; y < GETLENGTH（*weight）; ++y）							
			CONVOLUTE_VALID（input[x] output[y] weight[x][y]）;					
	FOREACH（j GETLENGTH（output））												
		FOREACH（i GETCOUNT（output[j]））											
		（（double *）output[j]）[i] = action（（（double *）output[j]）[i] + bias[j]）;	
}

#define CONVOLUTION_BACKWARD（inputinerrorouterrorweightwdbdactiongrad）
{																			
	for （int x = 0; x < GETLENGTH（weight）; ++x）								
		for （int y = 0; y < GETLENGTH（*weight）; ++y）						
			CONVOLUTE_FULL（outerror[y] inerror[x] weight[x][y]）;			
	FOREACH（i GETCOUNT（inerror））											
		（（double *）inerror）[i] *= actiongrad（（（double *）input）[i]）;			
	FOREACH（j GETLENGTH（outerror））											
		FOREACH（i GETCOUNT（outerror[j]））									
		bd[j] += （（double *）outerror[j]）[i];								
	for （int x = 0; x < GETLENGTH（weight）; ++x）								
		for （int y = 0; y < GETLENGTH（*weight）; ++y）						
			CONVOLUTE_VALID（input[x] wd[x][y] outerror[y]）;				
}


#define SUBSAMP_MAX_FORWARD（inputoutput）														
{																								
	const int len0 = GETLENGTH（*（input）） / GETLENGTH（*（output））;								
	const int len1 = GETLENGTH（**（input）） / GETLENGTH（**（output））;								
	FOREACH（i GETLENGTH（output））																
	FOREACH（o0 GETLENGTH（*（output）））															
	FOREACH（o1 GETLENGTH（**（output）））															
	{																							
		int x0 = 0 x1 = 0 ismax;																
		FOREACH（l0 len0）																		
			FOREACH（l1 len1）																	
		{																						
			ismax = input[i][o0*len0 + l0][o1*len1 + l1] > input[i][o0*len0 + x0][o1*len1 + x1];
			x0 += ismax * （l0 - x0）;															
			x1 += ismax * （l1 - x1）;															
		}																						
		output[i][o0][o1] = input[i][o0*len0 + x0][o1*len1 + x1];								
	}																							
}

#define SUBSAMP_MAX_BACKWARD（inputinerrorouterror）

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2017-01-01 04:35  LeNet-5-master
     文件        2518  2017-01-01 04:35  LeNet-5-master.gitattributes
     文件        3461  2017-01-01 04:35  LeNet-5-master.gitignore
     文件        1078  2017-01-01 04:35  LeNet-5-masterLICENSE
     文件        1275  2017-01-01 04:35  LeNet-5-masterLeNet-5.sln
     目录           0  2017-01-01 04:35  LeNet-5-masterLeNet-5.xcodeproj
     文件        8202  2017-01-01 04:35  LeNet-5-masterLeNet-5.xcodeprojproject.pbxproj
     目录           0  2017-01-01 04:35  LeNet-5-masterLeNet-5.xcodeprojproject.xcworkspace
     文件         152  2017-01-01 04:35  LeNet-5-masterLeNet-5.xcodeprojproject.xcworkspacecontents.xcworkspacedata
     目录           0  2017-01-01 04:35  LeNet-5-masterLeNet-5.xcodeprojproject.xcworkspacexcuserdata
     目录           0  2017-01-01 04:35  LeNet-5-masterLeNet-5.xcodeprojproject.xcworkspacexcuserdatafanwenjie.xcuserdatad
     文件       35009  2017-01-01 04:35  LeNet-5-masterLeNet-5.xcodeprojproject.xcworkspacexcuserdatafanwenjie.xcuserdatadUserInterfaceState.xcuserstate
     目录           0  2017-01-01 04:35  LeNet-5-masterLeNet-5.xcodeprojxcuserdata
     目录           0  2017-01-01 04:35  LeNet-5-masterLeNet-5.xcodeprojxcuserdatafanwenjie.xcuserdatad
     目录           0  2017-01-01 04:35  LeNet-5-masterLeNet-5.xcodeprojxcuserdatafanwenjie.xcuserdatadxcschemes
     文件        3287  2017-01-01 04:35  LeNet-5-masterLeNet-5.xcodeprojxcuserdatafanwenjie.xcuserdatadxcschemesLeNet-5.xcscheme
     文件         479  2017-01-01 04:35  LeNet-5-masterLeNet-5.xcodeprojxcuserdatafanwenjie.xcuserdatadxcschemesxcschememanagement.plist
     目录           0  2017-01-01 04:35  LeNet-5-masterLeNet-5
     文件        7411  2017-01-01 04:35  LeNet-5-masterLeNet-5LeNet-5.vcxproj
     文件        1543  2017-01-01 04:35  LeNet-5-masterLeNet-5LeNet-5.vcxproj.filters
     文件       10348  2017-01-01 04:35  LeNet-5-masterLeNet-5lenet.c
     文件        2115  2017-01-01 04:35  LeNet-5-masterLeNet-5lenet.h
     文件        3285  2017-01-01 04:35  LeNet-5-masterLeNet-5main.c
     文件     7840016  2017-01-01 04:35  LeNet-5-masterLeNet-5 10k-images-idx3-ubyte
     文件       10008  2017-01-01 04:35  LeNet-5-masterLeNet-5 10k-labels-idx1-ubyte
     文件    47040016  2017-01-01 04:35  LeNet-5-masterLeNet-5 rain-images-idx3-ubyte
     文件       60008  2017-01-01 04:35  LeNet-5-masterLeNet-5 rain-labels-idx1-ubyte
     文件        2023  2017-01-01 04:35  LeNet-5-masterREADME.md
立即下载
64位操作系统下win10、win7，VC6的所有问题汇总亲测   MFC实现10进制、2进制、16 进制和ASCII码间的相互转换
0 0

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件举报，一经查实，本站将立刻删除。

发表评论

评论列表（条）