From ab8cf4f6e52b85927bf2ba0213997ee5917f2db7 Mon Sep 17 00:00:00 2001 From: Edgedev Date: Tue, 13 Jul 2021 15:31:15 +0800 Subject: [PATCH] Update README.md --- README.md | 3092 ++++++++++++++++++++++++++++++++++++++++++++--------- 1 file changed, 2608 insertions(+), 484 deletions(-) diff --git a/README.md b/README.md index 6300bd6..d2c3d6d 100644 --- a/README.md +++ b/README.md @@ -1,542 +1,2666 @@ + + + + + +README + +
+

 

Edge-Engine

 

Edge : 一个开源的科学计算引擎

README for English_version

声明：本项目禁止闭源商用，如有需要请和作者取得联系

email: zk@likedge.top


GitHub license

 

项目开始日期 : 2019/10/01

目前项目总代码 : 810 行

测试 : main.cpp | nerual_network.cpp | 新增全连接神经网络架构(新增全连接网络正向传播和反向传播的测试demo)

测试环境:

MacBook Pro

编译器环境:

Configured with: --prefix=/Applications/Xcode.app/Contents/Developer/usr --with-gxx-include-dir=/Applications/Xcode.app/Contents/Developer/Platforms/MacOSX.platform/Developer/SDKs/MacOSX10.14.sdk/usr/include/c++/4.2.1 +Apple LLVM version 10.0.1 (clang-1001.0.46.4) +Target: x86_64-apple-darwin18.7.0 +Thread model: posix

image-20200418210521131

 

这是什么?

path

安装编译

进入install_diff目录:

执行

编译demo入口程序

或者BP测试程序

运行

最新卷积实现：

 

序贯模型api使用方法:

edge_network(int input, int num_neuron)

作为序列模型api

edge_network作为一个类型存在,位于matrix_grad.h中结构体类型的数据

定义了前向传播函数,前向传播无激活版,反向传播,末层反向传播,四大最常用的函数主体.

完整的序列模型:

image-20200128154352842

新的demo程序实现5层全连接层,可自定义神经元和激活函数,损失函数

全连接层使用方法:

第一层的权重自定义,而后调用forward函数前向传播一层,自动求出激活以后的值,激活函数可自定义.

首先定义一个权重矩阵和偏置矩阵,第一个矩阵的维度大小使用数据列去定义:

之后可以输出第一层前向传播的值,同时可以定义下一层的bias的维度, row使用第一层的权重矩阵的行,第二层的权重矩阵的行使用了第一层的输出的行, 而列自行定义即可, 这一点体现了前向传播算法的维度相容. 也就是:

同时第二层的输出也可以求出来,以此类推 .

最终输出代码见nerual_test.cpp nerual_test1

代码:

Bp反向传播的demo程序基于Pytorch官方代码模拟实现测试

迭代结果 :

W1: 0.6944 1.52368 + -1.46644 -0.154097 +W2: 1.10079 + 0.462984 +loss: 0.559269

epoch:100 , 可自行测试.

输出最终损失和参数迭代结果.

-----------split-line----------- +2.79955 +0.36431 +-0.451694 +epoch: 100 error: 6.05895 +-----------split-line----------- +0.009167(sum of loss)

目前实现的程序接口

API:

  • Matrix read_csv(string &file_path)读取格式化文件(csv),返回一个自动计算长度的矩阵.

  • 实现格式化文件写入接口.比较pandas.to_csv.

  • 矩阵广播机制,实现padding接口

  • 全连接层前向传播和反向传播接口,支持自动求导

  • 矩阵微分和自动求导接口封装

  • int save_txt(Matrix mid1,string path = "./",string delimiter = ",",string header="./") 设计文件流获取文件头部接口 , 写入格式化文件 , 已设计支持矩阵类型数据写入,支持自定义表头,写入文件路径 , 自定义分隔符,默认为" , ".

  • Create a matrix : create(row,cols)开辟一个矩阵结构的内存,元素初值为0;

  • Change the element for matrix void move_ele(int &ele1, int &ele2),修改某一个位置的元素的值.

  • Matrix1+Matrix2 : Matrix add(Matrix mid1,Matrix mid2,int flag=1),矩阵加和操作接口,可选位运算加速.

  • Flag is how to compete the ele ,default 1 ,bitwise operation(位运算加速).

  • Matrix1-Matrix2 : Matrix subtract(Matrix mid1,Matrix mid2)

  • Matrix1*Matrix2 : Matrix mul(Matrix mid1,Matrix mid2)

  • Matrix1*n : Matrix times_mat(int times,Matrix mid1)

  • Matrix1's Transposition : Matrix get_T(Matrix mid1)矩阵转置

  • Mul(matrix1,matrix2)矩阵乘积(完整数学定义).

  • double* flatten(Matrix mid1) : Return a flattened array.矩阵展开

  • Matrix matrix_rs(Matrix mid1,int rs_row,int rs_col) 矩阵的结构压缩

  • double matrix_sum(Matrix mid1)矩阵求和

  • double matrix_mean(Matrix mid1)均值

  • Matrix appply(Matrix mid1,Matrix mid2,int axis = 0)矩阵拼接

  • Matrix iloc(Matrix mid1,int start_x=0,int end_x=0,int start_y=0,int end_y=0)矩阵切片

  • Matrix mul_simple(Matrix mid1,Matrix mid2)为了贴合机器学习的需要,实现了矩阵对应元素相乘,请与传统意义的矩阵乘法区分开.

  • Relu激活函数矩阵接口

  • 均方误差矩阵接口

  • 创建随机权重矩阵接口

    即将着手开发:

  • 卷积神经网络定义(包括但不限于卷积核,池化层定义,自定义损失接口).

  • 随机森林算法封装.

  • 主流网络架构实现.

     

反向传播测试demo:

 

演示:矩阵乘法

Matrix A：

第1列第2列第3列第4列第5列
72.00000.00000.00000.00000.0000
0.000064.00000.00000.00000.0000
16.00008.00000.00000.00000.0000
0.00000.000056.000016.000032.0000
0.00000.00000.00000.00000.0000
0.00000.00000.00000.00000.0000

MAtrix B：

第1列第2列第3列第4列第5列第6列
72.00000.000016.00000.00000.00000.0000
0.000064.00008.00000.00000.00000.0000
0.00000.00000.000056.00000.00000.0000
0.00000.00000.000016.00000.00000.0000
0.00000.00000.000032.00000.00000.0000

To

第1列第2列第3列第4列第5列第6列
5184.00000.00001152.00000.00000.00000.0000
0.00004096.0000512.00000.00000.00000.0000
1152.0000512.0000320.00000.00000.00000.0000
0.00000.00000.00004416.00000.00000.0000
0.00000.00000.00000.00000.00000.0000
0.00000.00000.00000.00000.00000.0000

演示: 矩阵展开(flatten).

double* flatten(Matrix mid1)

123
246
789

To

123246789
        Like numpy.flatten

function:

演示: 邻接矩阵的参数定义:

Matrix appply(Matrix mid1,Matrix mid2,int axis = 0)

参数 axis=0 :

072
031
000
0011
072
031
000
0011

axis = 1:

072072
031031
000000
00110011

更新2019/11/18/00:12

  • read_csv 通过文件流读取逗号分隔符文件,返回一个自动计算长度的矩阵.

    例如 CSV's head :

    -0.01761214.0530640
    -1.3956344.6625411
    -0.7521576.538620
    -1.3223717.1528530
    0.42336311.0546770
    0.4067047.0673351

    Get:

     

    Logistic Regression demo base Edge:

Something :

  1. 矩阵元素默认为1
  2. 使用位运算加速防止填充过大的数值,但是会损失一定精度,慎用.
  3. 记得delete(matrix)在你使用完一个矩阵计算单元以后.
  4. api接口更多的接近于pandas和numpy的使用习惯.
  5. 更多的细节参见目前最新的代码
  6. 欢迎star和关注.
  7. autodiff部分感谢国外博主Omar的思路提醒.

 

个人小站:极度空间

作者邮箱:zk@likedge.top | edge@ibooker.org.cn

QQ:2533524298

+ + \ No newline at end of file