Qt与Rnn循环神经网络231101

最新推荐文章于 2024-12-19 13:04:45 发布

aw344

最新推荐文章于 2024-12-19 13:04:45 发布

阅读量405

点赞数

分类专栏：造车先做三蹦子-图像识别与字符识别文章标签： qt5 qt c++ c

本文链接：https://blog.youkuaiyun.com/aw344/article/details/134201758

版权

造车先做三蹦子-图像识别与字符识别专栏收录该内容

3 篇文章

订阅专栏

本文介绍如何使用Qt5进行GUI开发，并结合C++实现RNN循环神经网络的应用，探讨了跨平台UI框架与深度学习技术的整合。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >


#include <vector>
#include <cmath>
#include <random>
#include<iostream>

// Sigmoid激活函数
double sigmoid(double x) {
    return 1.0 / (1.0 + exp(-x));
}

// RNN单元
class RNNCell {
private:
    int input_size;
    int hidden_size;
    std::vector<std::vector<double>> Wxh;
    std::vector<std::vector<double>> Whh;
    std::vector<double> bh;
    std::vector<double> state;

    // 初始化权重和偏置
    void init_parameters() {
        std::default_random_engine generator;
        std::normal_distribution<double> distribution(0.0, 0.1);

        // 权重初始化
        Wxh.resize(hidden_size, std::vector<double>(input_size));
        Whh.resize(hidden_size, std::vector<double>(hidden_size));
        for (auto &row : Wxh)
            for (auto &val : row)
                val = distribution(generator);

        for (auto &row : Whh)
            for (auto &val : row)
                val = distribution(generator);

        // 偏置初始化
        bh.resize(hidden_size);
        for (auto &val : bh)
            val = distribution(generator);

        // 隐藏状态初始化
        state.resize(hidden_size);
        for (auto &val : state)
            val = 0.0;
    }

public:
    RNNCell(int input_sz, int hidden_sz) : input_size(input_sz), hidden_size(hidden_sz) {
        init_parameters();
    }

    // 前向传播
    std::vector<double> forward(const std::vector<double>& input) {
        std::vector<double> new_state(hidden_size);
        for (int i = 0; i < hidden_size; ++i) {
            // 新的状态 = tanh(Wxh * 输入 + Whh * 前一状态 + 偏置)
            new_state[i] = sigmoid(Wxh[i][0] * input[0] + Whh[i][0] * state[0] + bh[i]);
            for (int j = 1; j < input_size; ++j) {
                new_state[i] += Wxh[i][j] * input[j];
            }
            for (int j = 1; j < hidden_size; ++j) {
                new_state[i] += Whh[i][j] * state[j];
            }
            new_state[i] = tanh(new_state[i]);
        }
        state = new_state;
        return state;
    }
};

int main() {
    const int input_size = 3;
    const int hidden_size = 5;
    RNNCell cell(input_size, hidden_size);

    std::vector<double> input = {1.0, 0.5, -1.0};
    auto output = cell.forward(input);

    for (double v : output) {
        std::cout << v << std::endl;
    }

    return 0;
}//