network.h

tiny-dnn 有两种类型的模型：

- sequential (序列)

Sequential representation describe network as linked list ,each layer has at most one predecessor and one successor layer

- graph（计算图）

A graph representation describe network as computational graph each node of graph is layer, and each directed edge holds tensor and its gradients.

两种网络被表示为network 和 network,他们有相同的api，但是有不同的结构。

network 类

成员函数：

• name() 网络名称
• init_weight() 显示的初始化所有层参数
• 几个个模板函数(目前看来是在做梯度下降的)
  
  • bprop()
  • fprop()
• update_weights() 参数更新
• predict() 前向传播返回结果
• predict_max_value() 前向传播返回最大值

• train() 函数

  对一个网络训练固定的epoch次数，train 函数和 fit 函数之间的区别在于怎样指定确认的输出。
  这个函数有label_t 这个参数，并将这个参数转换成指定的类别向量。
  为了保证训练的正确性，输出维度必须大于或者等于标签的数量。

• fit() 函数

  训练网络指定的epoch 次数，每个minibatch 或者epoch 都有回调函数，网络训练的目的是为了最小化目标函数
  输入和输出应该有相同的shape，如
  std::vector< vec_t > data { { 1, 0 } , { 0 , 2 } };
  std::vector< vec_t > out { { 2 } , { 1 } };

• set_netphase() set the netphase to train or test

• stop_ongoing_training()
• test()
• get_loss() 计算loss
• gradient_check() 梯度检查
• layer_size()
• depth()
• load() 加载模型
• save() 保存模型
• network &operator<<(network &n, Layer &&l) 重载 << 操作符

network<sequential> &operator<<(network<sequential> &n, Layer &&l) {
  n.net_.add(std::forward<Layer>(l));
  return n;
}

这块是对<< 操作符做的重载

• std::forward 函数 —– 完美转发

  std::forward 一个较好的讲解

• construct_graph() 建图

总结

以上都是network.h 的一些主要函数。