轻量级C++神经网络应用库CreativeLus：4、CNN卷积神经网络。案例：(MNIST)手写数字识别。

---

github资源地址：[Release-x86/x64]

上一篇：轻量级C++神经网络应用库CreativeLus：3、复杂函数逼近。案例：多输入混合逼近。
下一篇：轻量级C++神经网络应用库CreativeLus：5、ResNet残差网咯。案例：(cifar-100)图片分类。

---

案例4：CNN网络，实现(MNIST)手写数字识别

本案例的任务

经过前面几章的介绍，对CL基本功能应有所了解。CL致力于通过简单的代码，易懂的逻辑，通用化的功能达到快速应用的目的。之前的几个案例，演示功能性居多，实用性不强，但今天，我们就用CL来重现一个经典的CNN案例，用来解决实际应用问题：单色手写数字图片的识别。

• 本章将通过简单代码构建一个经典CNN网络LeNet-5，并介绍以下核心功能：
• 方法一：通过结构定义对象的API，构建卷积神经网络的方法；
• 方法二：通过脚本定义对象，构建卷积神经网络方法；

卷积网络LeNet-5介绍

关于什么是卷积神经网络？相关基础知识，在此不再论述，优快云 和百度都有很多的介绍。今天我们通过构建经典的cnn网络LeNet-5来实现Mnist数据集的训练和手写数字图片的识别。特别说明：本章代码中，对原LeNet-5逻辑有一些小修改，取消了原C3、C5层的链接标记。经测试，该修改对模型的训练及识别能力并无实际影响，若一定要使用，可采用在C3、C5层设置Dropout方案替代。

• 为了礼貌起见，放两张图，供小伙伴们回忆一下cnn网络和LeNet-5。（图片源于网络）

准备工作

1、Mnist数据集的获取和预处理

首先我们下载好本例所用手写数据训练数据集和测试数据集[Mnist：http://yann.lecun.com/exdb/mnist/]，他的官网是这样介绍它的：

• MNIST手写数字数据库（可从本页获得）有60000个示例的训练集和10000个示例的测试集。它是NIST提供的更大集合的子集。数字已被规格化，并集中在一个固定大小的图像中。
• 它是一个很好的数据库，供那些想尝试在实际数据上学习技术和模式识别方法，同时在预处理和格式化方面花费最少精力的人使用。

之后使用代码做一下预处理，生成CL样本对集合对象，代码很简单，如下：

#include "CreativeLus.h"
#include "CreativeLusExTools.h"

	string pathdatasrc = ("D:\\Documents\\Desktop\\nndata\\mnist\\");
	
	// 第一步： 由Mnist数据预处理，生成模型训练集和预测集---------------------------------------------
	BpnnSamSets trainSets, testSets;
	if (!trainSets.readFromFile((pathTag + "cnnTrainData.txt").c_str())) {
   
		StdDataHelper::readDataOfMnist(
			(pathdatasrc + "train-images.idx3-ubyte").c_str(),
			(pathdatasrc + "train-labels.idx1-ubyte").c_str(),
			trainSets, 
			-1, //表示训练输入数据的值区间最小为-1
			1,  //表示训练输入数据的值区间最大为-1
			-0.8, //表示训练输入数据对应的分类标签的值区间最小为-0.8
			0.8, //表示训练输入数据对应的分类标签的值区间最大为0.8
			2 //对样本输入数据做padding=2的数据扩充，使得28x28的原始数据变为32x32
		);
		trainSets.writeToFile((pathTag + "cnnTrainData.txt").c_str());
	}
	if (!testSets.readFromFile((pathTag + "cnnTestData.txt").c_str())) {
   
		StdDataHelper::readDataOfMnist(
			(pathdatasrc + "t10k-images.idx3-ubyte").c_str(),
			(pathdatasrc + "t10k-labels.idx1-ubyte").c_str(),
			testSets, -1, 1, -0.8, 0.8, 2
		);
		testSets.writeToFile((pathTag + "cnnTestData.txt").c_str());
	}

• 其中静态StdDataHelper::readDataOfMnist()方法，是包含在头文件"CreativeLusExTools.h"中，实现快速处理Mnist原始数据，并转换成BpnnSamSets数据集的函数，源代码也可根据需要自行调整。
• 关于LeNet-5网络实现，可参考【卷积神经网络(CNN)的简单实现(MNIST)】，不过要做好思想准备，这是一种纯C基于过程的实现方案，很难修改，很难扩充，代码灵活度不大。光是要构造出网络，代码就麻烦到让人吐血，算法过程代码更是不好理解，对于初学者很不友好。

2、卷积网络组装

基于以上前车之鉴，CL应该有简单明了的建模手段，因此，“8”行代码构建CNN网络LeNet-5的方式就诞生了：（关于 BpnnStructScript 对象使用，详见完整测试代码部分）

	//代码片段
	BpnnStructScript scp =  //构造生成脚本
		{
   
			{
   {
   0,SCP_Conv,{
   5,5,6},wi[0],bi,transfunc},},  //标准卷积层
			{
   {
   0,SCP_Pool,{
   2,2},{
   }, {
   },-1,WC_Average},},  //池化层，均值池化
			{
   {
   0,SCP_ConvSep,{
   1,1},wi[2],bi, transfunc},},//分割卷积层
			{
   {
   0,SCP_Conv,{
   5,5,16},wi[3],bi,transfunc},}, //标准卷积层
			{
   {
   0,SCP_Pool,{
   2,2},{
   }, {
   },-1,WC_Average},},  //池化层，均值池化
			{
   {
   0,SCP_ConvSep,{
   1,1},wi[5],bi,transfunc},}, //分割卷积层
			{
   {
   0,SCP_Conv,{
   5,5,120},wi[6],bi,transfunc},},//标准卷积层，本层链接了map=1x1的分割卷积层，即等价于一个全连接层
			{
   {
   0,SCP_Fc,{
   10},wi[7],bi, transfunc},},   //10个输出神经元的全连接层
		};

关于如何做到的？CL是基于对象建模的，按[案例3]介绍的结构定义方式，可以构建任意的自定义的网络，加上些许封装，即可实现通过快速的脚本对象定义，生成复杂的卷积网络（后续还有更复杂的VGG，ResNet等网络，原理均同），这在后续技术附录中介绍。

3、手写数字图片准备

• 接下来准备10张32x32尺寸的手写数字图片，从0到9，均采用单色bitmap格式(windows位图格式)。
• 处理图片，采用头文件"CreativeLusExTools.h"中定义的CLBmpHelper::readbmp()静态方法即可（不需要用OpenCV库来处理这么麻烦了）。关于CLBmpHelper::readbmp()可自行查看源码，按需修改。

• 读取的数据时记得做一下必要的值域转换：

	//代码片段
	CLBmpHelper::readbmp(str.c_str(), bmpData);
	data.resize(bmpData.size());
	for (size_t j = 0, sj = bmpData.size(); j < sj; j++){
   
		//将[0,255]的之间的byte值映射转换到[-1,1]的范围内，至于为什么，请自行思考。
		data[j] = bmpData[j] / 255.0 * (1 - (-1)) + (-1); 
	}

完整测试代码

#include <stdio.h>
#include <string>
#include <vector>
#include <map>

#include "CreativeLus.h"
#include "CreativeLusExTools.h"

using namespace cl;

int main() {
   
	printf("\n\n//案例4：cnn卷积神经网络，实现(Mnist)手写数字识别\n");

	string pathTag = ("D:\\Documents\\Desktop\\example_04_cnn_mnist\\");
	string pathdatasrc = ("D:\\Documents\\Desktop\\nndata\\mnist\\");  //原始Mnist数据目录
	string pathdatabmp = ("D:\\Documents\\Desktop\\nndata\\bmp32x32_0_9\\"); //手写数字图片文件目录

	// 第一步： 由Mnist数据预处理，生成模型训练集和预测集---------------------------------------------
	BpnnSamSets trainSets, testSets;
	if (!trainSets.readFromFile((pathTag + "cnnTrainData.txt").c_str())) {
   
		StdDataHelper::readDataOfMnist(
			(pathdatasrc + "train-images.idx3-ubyte").c_str(),
			(pathdatasrc + "train-labels.idx1-ubyte").c_str(),
			trainSets, -1, 1, -0.8, 0.8, 2
		);
		trainSets.writeToFile((pathTag + "cnnTrainData.txt").c_str());<