人工神经网络_vs2013结合神经网络为什么报错-优快云博客

本文链接：https://blog.youkuaiyun.com/YuhangZeng_/article/details/79386925

本文详细介绍了如何在Windows环境下使用Eclipse IDE编译一个FNN神经网络库，并解决了编译过程中遇到的问题。此外，还深入解析了反向传播算法的工作原理与实现步骤，包括误差计算、权重更新等关键环节。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

https://github.com/100/Cranium 一个FNN神经网络库

通过vs2013，无法正确编译，由于vs2013对C99的支持不是很好。在window环境下，使用这个库，可用eclipse IDE测试这个库的例子。注意问题以下

eclipse导入项目，import->General->File System
eclipse设置支持c99，项目Properities->C/C++ Build->Settings->GCC C Compiler->Miscellaneous->Other flags加入-std=c99
这样设置出现问题，编译问题undefined reference to `WinMain@16'，解决方法Properities->C/C++ Build->Settings->MinGW C Linker->Libraries->Libraries(-l)添加mingw32

http://www.mymathlib.com/ 数值分析

Spyder代码无法自动补齐，可能原因：

http://blog.youkuaiyun.com/baixue6269/article/details/60132470如这个链接，设置不对

反向传播详解:

首先参考这个链接http://galaxy.agh.edu.pl/~vlsi/AI/backp_t_en/backprop.html

其算法步骤如下：

前向传播
误差反向传播: 计算反向层与层误差->是个层层传递过程
权值与偏置更新

这里重点阐明2与3点，先附上matlab代码

startDir=fileparts(which('testNeural'));
addpath(startDir);
%str1=strcat(startDir,'\netW\');

inputs=[0 0 1 1;0 1 0 1];
[m,n]=size(inputs);
learnRate=0.5;
targets=[0 1 1 0];
hiddenLayersize=1;
w1=rands(3,2);
b1=rands(3,1);
y1=zeros(3,1);
delta1=zeros(3,1);
[w1_m,w1_n]=size(w1);
w2=rands(1,3);
b2=rands(1,1);
y2=zeros(1,1);
delta2=zeros(1,1);

iter=100;
precison=1e-8;
err=zeros(3,1);%3为样本个数
y=zeros(3,1);
epoch=5;
for ii=1:epoch
for j=1:iter
for i=1: n-1

y1=1./(1+exp(-(w1*inputs(:,i)+b1)));%前向传播
y2=w2*y1+b2;%前向传播

delta2=targets(i)-y2;%反向传播之计算误差
delta1=w2'*delta2;%反向传播之计算误差

w1=learnRate*y1.*(1-y1).*delta1*inputs(:,i)'+w1;%权值更新，y1.*(1-y1)代表导数，sigmod求导为y*(1-y)
b1=learnRate*1.*delta1+b1;
w2=learnRate*1.*delta2*y1'+w2;%线性x求导为1
b2=learnRate*1.*delta2+b2;

err(i)=0.5*sum(delta2.^2);%单个样本误差，二范数
y(i)=y2;
end
Error=sum(err);%多个样本的总误差，也是二范数
if(Error<precison)
break;
end

end
if(Error<precison)
break;
end

end

我们看看这个流程：

首先定义神经网络有N+1层，N表示有多少个权值矩阵，比如3层神经网络，有2个权值矩阵；

从编程角度看，从第2层到N+1层，每一层保存了哪些量？

1.我们从输出层看起，输出y向量，对应了一个delta向量，这2个向量维数相同，接着是第N层，delta_n向量同第N层向量维数同。。。由此递推，误差向量与输出向量维数同

2.看看每个权值矩阵，涉及w为m*n维数，m代表的是输出维数，n代表的是输入维数，我们都知道m*1的向量与1*n的向量相乘，得到m*n的矩阵；同时，误差向量delta是m维的，所以delta*输入向量同权值维数同，这样就可以更新w了，当然再乘以学习率，学习率是梯度下降步长，它越大，学习快，但是要注意有的问题其学习率有个收敛范围。