LazyNet-一款为理解深度学习而生的学习框架

前言

很多小伙伴还在为弄不懂深度学习整个流程而烦恼，比如图像数据如何读入？数据在网络之间如何传递？如何前向计算？如何反向计算？如何更新权重？如何预测输出？博主利用每天晚上的时间，历经两个星期，为大家带来这款为理解深度学习而生的学习框架，命名为LazyNet，为什么呢？因为此框架真的很简单，动动手指头就能明白整个深度学习流程了！

LazyNet优势

• 不依赖GPU，任何CPU均可
• 除OpenBLAS、OpenCV外，不依赖任何第三方
• 纯C++代码
• 代码简介明了，数据流简单易懂
• 相关原理在代码里面做了详细说明

LazyNet传送门

• 传送门（若对您有帮助，欢迎star和fork）

LazyNet简介

一、支持系统

• Windows7/10（强烈推荐，因为可以直观调试）
• Linux（可自己写简易makefile）
• Mac（暂未尝试）

二、环境搭建

• CPU
• VS2015(Windows强烈推荐)

三、示例数据

• mnist400（train200-0，train200-1，test20-0，test20-1）

四、示例网络

Layers	channel	Kernel_size	stride	pad	Input_size	Output_size
Conv1	16	3	1	0	28x28	26x26
Relu1	16	-	-	-	26x26	26x26
Maxpool1	16	2	2	0	26x26	13x13
Conv2	32	3	1	0	13x13	11x11
Relu2	32	-	-	-	11x11	11x11
Maxpool2	32	2	2	0	11x11	6x6
Conv3	64	3	1	0	6x6	4x4
Relu3	64	-	-	-	4x4	4x4
Ip1	128	-	-	-	4x4	1x1
Relu4	128	-	-	-	1x1	1x1
Ip2	2	-	-	-	1x1	1x1
softmax	-	-	-	-	1x1	1x1

五、示例代码

#include "lazy_net.h"

int main()
{
	//data information
	string data_path = "data/";
	int data_batch = 20;
	int data_channel = 3;
	int data_size = 28;

	//hyperparameter
	int max_iter = 1000;
	int disp_iter = 10;
	float weight_decay = 0.0005;
	float base_lr = 0.01;
	float momentum = 0.9;
	string lr_policy = "inv";
	float power = 0.75;
	float gamma = 0.0001;
	int test_iter = 50;

	LazyNet lazy_net(data_path, data_batch, data_channel, 
		data_size, max_iter, disp_iter,
		weight_decay, base_lr, momentum,
		lr_policy, power, gamma, test_iter);

	lazy_net.TrainNet();

	return 0;
}

六、示例结果

尾注

虽然这款学习框架很好理解，有利于梳理整个深度学习流程，但是也有几点不足之处，后面有时间会做相应调整

• 网络重塑性不好，网络已嵌入代码，后面考虑用文本的形式写入
• 训练数据灵活性不好，数据形式已嵌入代码，后面考虑利用random复写
• 主要layers基于caffe修改而成，后面考虑去除OpenBLAS

 

任何问题请加唯一QQ2258205918（名称samylee）！

或唯一VX：samylee_csdn