- 卷積神經網絡(CNN)的簡單介紹及代碼實現

(3)、S4層：計算S4層神經元誤差、C5層權值誤差、C5層閾值誤差；通過C5層權值乘以C5層神經元誤差，求和，結果再乘以S4層神經元的tanh激活函數的導數，獲得S4層每一個神經元誤差；通過S4層神經元乘以C5層神經元誤差，求和，獲得C5層權值誤差；C5層神經元誤差即為C5層閾值誤差。

(4)、C3層：計算C3層神經元誤差、S4層權值誤差、S4層閾值誤差；

(5)、S2層：計算S2層神經元誤差、C3層權值誤差、C3層閾值誤差；

(6)、C1層：計算C1層神經元誤差、S2層權值誤差、S2層閾值誤差；

(7)、輸入層：計算C1層權值誤差、C1層閾值誤差.

代碼文件：

CNN.hpp：
#ifndef _CNN_HPP_
#define _CNN_HPP_

#include
#include

namespace ANN {

#define width_image_input_CNN 32 //歸一化圖像寬
#define height_image_input_CNN 32 //歸一化圖像高
#define width_image_C1_CNN 28
#define height_image_C1_CNN 28
#define width_image_S2_CNN 14
#define height_image_S2_CNN 14
#define width_image_C3_CNN 10
#define height_image_C3_CNN 10
#define width_image_S4_CNN 5
#define height_image_S4_CNN 5
#define width_image_C5_CNN 1
#define height_image_C5_CNN 1
#define width_image_output_CNN 1
#define height_image_output_CNN 1

#define width_kernel_conv_CNN 5 //卷積核大小
#define height_kernel_conv_CNN 5
#define width_kernel_pooling_CNN 2
#define height_kernel_pooling_CNN 2
#define size_pooling_CNN 2

#define num_map_input_CNN 1 //輸入層map個數
#define num_map_C1_CNN 6 //C1層map個數
#define num_map_S2_CNN 6 //S2層map個數
#define num_map_C3_CNN 16 //C3層map個數
#define num_map_S4_CNN 16 //S4層map個數
#define num_map_C5_CNN 120 //C5層map個數
#define num_map_output_CNN 10 //輸出層map個數

#define num_patterns_train_CNN 60000 //訓練模式對數(總數)
#define num_patterns_test_CNN 10000 //測試模式對數(總數)
#define num_epochs_CNN 100 //最大迭代次數
#define accuracy_rate_CNN 0.985 //要求達到的準確率
#define learning_rate_CNN 0.01 //學習率
#define eps_CNN 1e-8

#define len_weight_C1_CNN 150 //C1層權值數，5*5*6*1=150
#define len_bias_C1_CNN 6 //C1層閾值數，6
#define len_weight_S2_CNN 6 //S2層權值數,1*6=6
#define len_bias_S2_CNN 6 //S2層閾值數,6
#define len_weight_C3_CNN 2400 //C3層權值數，5*5*16*6=2400
#define len_bias_C3_CNN 16 //C3層閾值數,16
#define len_weight_S4_CNN 16 //S4層權值數，1*16=16
#define len_bias_S4_CNN 16 //S4層閾值數，16
#define len_weight_C5_CNN 48000 //C5層權值數，5*5*16*120=48000
#define len_bias_C5_CNN 120 //C5層閾值數，120
#define len_weight_output_CNN 1200 //輸出層權值數，120*10=1200
#define len_bias_output_CNN 10 //輸出層閾值數，10

#define num_neuron_input_CNN 1024 //輸入層神經元數，32*32=1024
#define num_neuron_C1_CNN 4704 //C1層神經元數，28*28*6=4704
#define num_neuron_S2_CNN 1176 //S2層神經元數，14*14*6=1176
#define num_neuron_C3_CNN 1600 //C3層神經元數，10*10*16=1600
#define num_neuron_S4_CNN 400 //S4層神經元數，5*5*16=400
#define num_neuron_C5_CNN 120 //C5層神經元數，1*120=120
#define num_neuron_output_CNN 10 //輸出層神經元數，1*10=10

class CNN {
public:
CNN();
~CNN();

void init(); //初始化，分配空間
bool train(); //訓練
int predict(const unsigned char* data, int width, int height); //預測
bool readModelFile(const char* name); //讀取已訓練好的BP model

protected:
typedef std::vector wi_connections;
typedef std::vector wo_connections;
typedef std::vector io_connections;> 16) & 255;
ch4 = (i >> 24) & 255;
return((int)ch1 << 24) + ((int)ch2 << 16) + ((int)ch3 << 8) + ch4;
}

static void readMnistImages(std::string filename, double* data_dst, int num_image)
{
const int width_src_image = 28;
const int height_src_image = 28;
const int x_padding = 2;
const int y_padding = 2;
const double scale_min = -1;
const double scale_max = 1;

std::ifstream file(filename, std::ios::binary);
assert(file.is_open());

int magic_number = 0;
int number_of_images = 0;
int n_rows = 0;
int n_cols = 0;
file.read((char*)&magic_number, sizeof(magic_number));
magic_number = reverseInt(magic_number);
file.read((char*)&number_of_images, sizeof(number_of_images));
number_of_images = reverseInt(number_of_images);
assert(number_of_images == num_image);
file.read((char*)&n_rows, sizeof(n_rows));
n_rows = reverseInt(n_rows);
file.read((char*)&n_cols, sizeof(n_cols));
n_cols = reverseInt(n_cols);
assert(n_rows == height_src_image && n_cols == width_src_image);

int size_single_image = width_image_input_CNN * height_image_input_CNN;

for (int i = 0; i < number_of_images; ++i) {
int addr = size_single_image * i;