• 欢迎访问搞代码网站,推荐使用最新版火狐浏览器和Chrome浏览器访问本网站!
  • 如果您觉得本站非常有看点,那么赶紧使用Ctrl+D 收藏搞代码吧

C++实现简单BP神经网络

c++ 搞代码 4年前 (2022-01-06) 25次浏览 已收录 0个评论

这篇文章主要为大家详细介绍了C++实现简单BP神经网络,文中示例代码介绍的非常详细,具有一定的参考价值,感兴趣的小伙伴们可以参考一下

本文实例为大家分享了C++实现简单BP神经网络的具体代码,供大家参考,具体内容如下

实现了一个简单的BP神经网络

使用EasyX图形化显示训练过程和训练结果

使用了25个样本,一共训练了1万次。

该神经网络有两个输入,一个输出端

下图是训练效果,data是训练的输入数据,temp代表所在层的输出,target是训练目标,右边的大图是BP神经网络的测试结果。

以下是详细的代码实现,主要还是基本的矩阵运算。

 #include  #include  #include  #include  #include  #define uint unsigned short #define real double #define threshold (real)(rand() % 99998 + 1) / 100000 // 神经网络的层 class layer{ private: char name[20]; uint row, col; uint x, y; real **data; real *bias; public: layer(){ strcpy_s(name, "temp"); row = 1; col = 3; x = y = 0; data = new real*[row]; bias = new real[row]; for (uint i = 0; i <row; i++){ data[i] = new real[col]; bias[i] = threshold; for (uint j = 0; j <col; j++){ data[i][j] = 1; } } } layer(FILE *fp){ fscanf_s(fp, "%d %d %d %d %s", &row, &col, &x, &y, name); data = new real*[row]; bias = new real[row]; for (uint i = 0; i <row; i++){ data[i] = new real[col]; bias[i] = threshold; for (uint j = 0; j <col>row = row; this->col = col; this->x = 0; this->y = 0; this->data = new real*[row]; this->bias = new real[row]; for (uint i = 0; i <row; i++){ data[i] = new real[col]; bias[i] <span style="color:transparent">来源gaodai#ma#com搞*!代#%^码网</span>= threshold; for (uint j = 0; j <col; j++){ data[i][j] = 1.0f; } } } layer(const layer &a){ strcpy_s(name, a.name); row = a.row, col = a.col; x = a.x, y = a.y; data = new real*[row]; bias = new real[row]; for (uint i = 0; i <row; i++){ data[i] = new real[col]; bias[i] = a.bias[i]; for (uint j = 0; j <col; j++){ data[i][j] = a.data[i][j]; } } } ~layer(){ // 删除原有数据 for (uint i = 0; i <row; i++){ delete[]data[i]; } delete[]data; } layer& operator =(const layer &a){ // 删除原有数据 for (uint i = 0; i <row; i++){ delete[]data[i]; } delete[]data; delete[]bias; // 重新分配空间 strcpy_s(name, a.name); row = a.row, col = a.col; x = a.x, y = a.y; data = new real*[row]; bias = new real[row]; for (uint i = 0; i <row; i++){ data[i] = new real[col]; bias[i] = a.bias[i]; for (uint j = 0; j <col; j++){ data[i][j] = a.data[i][j]; } } return *this; } layer Transpose() const { layer arr(col, row); arr.x = x, arr.y = y; for (uint i = 0; i <row; i++){ for (uint j = 0; j <col; j++){ arr.data[j][i] = data[i][j]; } } return arr; } layer sigmoid(){ layer arr(col, row); arr.x = x, arr.y = y; for (uint i = 0; i <x.row; i++){ for (uint j = 0; j <x.col; j++){ arr.data[i][j] = 1 / (1 + exp(-data[i][j]));// 1/(1+exp(-z)) } } return arr; } layer operator *(const layer &b){ layer arr(row, col); arr.x = x, arr.y = y; for (uint i = 0; i <row; i++){ for (uint j = 0; j <col; j++){ arr.data[i][j] = data[i][j] * b.data[i][j]; } } return arr; } layer operator *(const int b){ layer arr(row, col); arr.x = x, arr.y = y; for (uint i = 0; i <row; i++){ for (uint j = 0; j <col; j++){ arr.data[i][j] = b * data[i][j]; } } return arr; } layer matmul(const layer &b){ layer arr(row, b.col); arr.x = x, arr.y = y; for (uint k = 0; k <b.col; k++){ for (uint i = 0; i <row; i++){ arr.bias[i] = bias[i]; arr.data[i][k] = 0; for (uint j = 0; j <col; j++){ arr.data[i][k] += data[i][j] * b.data[j][k]; } } } return arr; } layer operator -(const layer &b){ layer arr(row, col); arr.x = x, arr.y = y; for (uint i = 0; i <row; i++){ for (uint j = 0; j <col; j++){ arr.data[i][j] = data[i][j] - b.data[i][j]; } } return arr; } layer operator +(const layer &b){ layer arr(row, col); arr.x = x, arr.y = y; for (uint i = 0; i <row; i++){ for (uint j = 0; j <col; j++){ arr.data[i][j] = data[i][j] + b.data[i][j]; } } return arr; } layer neg(){ layer arr(row, col); arr.x = x, arr.y = y; for (uint i = 0; i <row; i++){ for (uint j = 0; j <col; j++){ arr.data[i][j] = -data[i][j]; } } return arr; } bool operator ==(const layer &a){ bool result = true; for (uint i = 0; i <row; i++){ for (uint j = 0; j <col> 10e-6){ result = false; break; } } } return result; } void randomize(){ for (uint i = 0; i <row; i++){ for (uint j = 0; j <col; j++){ data[i][j] = threshold; } bias[i] = 0.3; } } void print(){ outtextxy(x, y - 20, name); for (uint i = 0; i <row; i++){ for (uint j = 0; j <col; j++){ COLORREF color = HSVtoRGB(360 * data[i][j], 1, 1); putpixel(x + i, y + j, color); } } } void save(FILE *fp){ fprintf_s(fp, "%d %d %d %d %s\n", row, col, x, y, name); for (uint i = 0; i <row; i++){ for (uint j = 0; j <col; j++){ fprintf_s(fp, "%lf ", data[i][j]); } fprintf_s(fp, "\n"); } } friend class network; friend layer operator *(const double a, const layer &b); }; layer operator *(const double a, const layer &b){ layer arr(b.row, b.col); arr.x = b.x, arr.y = b.y; for (uint i = 0; i </div><div class="gaodaimacode"><pre class="prettyprint linenums"> #include "network.h" void main(){ FILE file; FILE *fp = &file; // 读取状态 fopen_s(&fp, "Text.txt", "r"); network net(fp); fclose(fp); initgraph(600, 320); net.train(); // 保存状态 fopen_s(&fp, "Text.txt", "w"); net.save(fp); fclose(fp); getchar(); closegraph(); }

上面这段代码是在2016年初实现的,非常简陋,且不利于扩展。时隔三年,我再次回顾了反向传播算法,重构了上面的代码。

最近,参考【深度学习】一书对反向传播算法的描述,我用C++再次实现了基于反向传播算法的神经网络框架:Github: Neural-Network。该框架支持张量运算,如卷积,池化和上采样运算。除了能实现传统的stacked网络模型,还实现了基于计算图的自动求导算法,目前还有些bug。预计支持搭建卷积神经网络,并实现【深度学习】一书介绍的一些基于梯度的优化算法。

欢迎感兴趣的同学在此提出宝贵建议。

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持gaodaima搞代码网

以上就是C++实现简单BP神经网络的详细内容,更多请关注gaodaima搞代码网其它相关文章!


搞代码网(gaodaima.com)提供的所有资源部分来自互联网,如果有侵犯您的版权或其他权益,请说明详细缘由并提供版权或权益证明然后发送到邮箱[email protected],我们会在看到邮件的第一时间内为您处理,或直接联系QQ:872152909。本网站采用BY-NC-SA协议进行授权
转载请注明原文链接:C++实现简单BP神经网络

喜欢 (0)
[搞代码]
分享 (0)
发表我的评论
取消评论

表情 贴图 加粗 删除线 居中 斜体 签到

Hi,您需要填写昵称和邮箱!

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址