完成卷积功能

cnn.c

@@ -0,0 +1,193 @@
+#include "cnn.h"
+
+
+
+// 将原始矩阵复制到填充后的矩阵中央
+float* expand(const float* old_matrix, u8 old_matrix_num){
+    float* new_matrix = (float *)malloc(sizeof(float)*(old_matrix_num+2)*(old_matrix_num+2));
+    memset(new_matrix, 0, sizeof(float)*(old_matrix_num+2)*(old_matrix_num+2));
+    for (u8 i = 0; i < old_matrix_num; i++) {
+        for (u8 j = 0; j < old_matrix_num; j++) {
+            new_matrix[(i + 1) * (old_matrix_num+2) + (j + 1)] = old_matrix[i * old_matrix_num + j];
+        }
+    }
+    return new_matrix;
+}
+
+//卷积核的个数：32
+//卷积的面积：3*3
+//输入图像
+//输入图像的边长：102
+//输出图像的边长：100
+//返回卷积的结果
+float* convolution(u8 num_kernels, u8 area, const float* input_matrix, u8 input_matrix_length){
+    // 初始化卷积层参数
+    float conv_temp; // 临时变量，用于存储卷积计算的中间结果
+    float* conv_rlst = (float *) malloc(sizeof (float)*32*100*100);
+    memset(conv_rlst, 0, sizeof (float)*32*100*100);
+    // 遍历30个卷积核（假设有30个通道）
+    for(int n=0; n<32; n++)
+    {
+        // 遍历输出图像的每一行（卷积输出大小为24x24）
+        for(int row=0; row<100; row++)
+        {
+            // 遍历输出图像的每一列
+            for(int col=0; col<100; col++)
+            {
+                conv_temp = 0; // 每个输出像素初始化为0
+                // 进行5x5的卷积操作
+                for(int x=0; x<3; x++)
+                {
+                    for(int y=0; y<3; y++)
+                    {
+                        // 将输入图像的对应像素与卷积核权重相乘，并累加到conv_temp
+                        conv_temp += input_matrix[row*102+col+x*102+y] * conv1_weight.array[x*3+y+n*(3*3)];
+                    }
+                }
+                // 加上对应卷积核的偏置
+                conv_temp += conv1_bias.array[n];
+                // 激活函数：ReLU（将小于0的值设为0）
+                if(conv_temp > 0)
+                    conv_rlst[row*100+col+n*100*100] = conv_temp; // 如果卷积结果大于0，存入结果数组
+                else
+                    conv_rlst[row*100+col+n*100*100] = 0; // 否则存入0
+            }
+        }
+    }
+    return conv_rlst;
+}
+
+int main(){
+    model_init();
+    model_write("all");
+    model_switchdata("data");
+
+//填充102 * 102
+    float* expand1_matrix = expand(data.array, 100);
+
+    float* conv_rlst = convolution(32,3,expand1_matrix,102);
+
+
+    for (int i = 0; i < 1000; i++) {
+        printf("%f ", conv_rlst[i]);
+        if ((i + 1) % 102 == 0) {
+            printf("\n");
+        }
+    }
+
+
+
+
+
+
+
+
+
+
+
+
+
+//    float pool_temp = 0; // 临时变量，用于存储池化操作的最大值
+//    float pool_rslt[32*50*50] = {0};
+//    // 遍历30个通道（与卷积核数量相同）
+//    for(int n=0; n<32; n++)
+//    {
+//        // 遍历输入图像的每一行，步长为2（2x2的池化窗口）
+//        for(int row=0; row<100; row=row+2)
+//        {
+//            // 遍历输入图像的每一列，步长为2
+//            for(int col=0; col<100; col=col+2)
+//            {
+//                pool_temp = 0; // 每个池化区域的最大值初始化为0
+//                // 进行2x2的最大池化操作
+//                for(int x=0; x<2; x++)
+//                {
+//                    for(int y=0; y<2; y++)
+//                    {
+//                        // 更新当前池化区域的最大值
+//                        if(pool_temp <= conv_rlst[row*100+col+x*100+y+n*(100*100)])
+//                            pool_temp = conv_rlst[row*100+col+x*100+y+n*(100*100)];
+//                    }
+//                }
+//                // 将最大值存入池化结果数组
+//                pool_rslt[(row/2)*50+col/2+n*(50*50)] = pool_temp;
+//            }
+//        }
+//    }
+//
+
+
+
+
+
+
+
+
+
+
+
+//// 隐藏层参数地址
+//    float *affine1_w; // 指向第一个全连接层权重的内存地址的指针
+//    float *affine1_b; // 指向第一个全连接层偏置的内存地址的指针
+//    affine1_param_init(); // 初始化全连接层参数
+//    float *affine1_rslt; // 指向存储隐藏层计算结果的内存地址的指针
+//    float affine1_temp; // 临时变量，用于存储全连接层的中间结果
+//
+//// 遍历100个神经元（假设隐藏层有100个神经元）
+//    for(int n=0; n<100; n++)
+//    {
+//        affine1_temp = 0; // 每个神经元的输出初始化为0
+//
+//        // 进行矩阵乘法，将池化层输出展平为一维向量后，与全连接层权重进行点积
+//        for(int i=0; i<4320; i++)
+//        {
+//            affine1_temp = affine1_temp + pool_rslt[i] * affine1_w[i+4320*n];
+//        }
+//
+//        // 加上对应神经元的偏置
+//        affine1_temp = affine1_temp + affine1_b[n];
+//
+//        // 激活函数：ReLU（将小于0的值设为0）
+//        if(affine1_temp > 0)
+//            affine1_rslt[n] = affine1_temp; // 如果结果大于0，存入结果数组
+//        else
+//            affine1_rslt[n] = 0; // 否则存入0
+//    }
+//
+//
+//
+//    float *affine2_w; // 指向第二个全连接层（输出层）权重的内存地址的指针
+//    float *affine2_b; // 指向第二个全连接层（输出层）偏置的内存地址的指针
+//    float affine2_temp; // 临时变量，用于存储输出层的中间结果
+//    affine2_param_init(); // 初始化输出层参数
+//
+//    float affine2_rslt[10]; // 存储输出层的结果（假设输出层有10个神经元）
+//
+//// 比较输出层的最大值
+//    float temp = -100; // 用于存储最大值的临时变量，初始化为一个非常小的值
+//    int predict_num; // 用于存储预测的数字（对应最大值的索引）
+//
+//// 遍历10个输出神经元（假设有10个类别）
+//    for(int n=0; n<10; n++)
+//    {
+//        affine2_temp = 0; // 当前神经元的输出初始化为0
+//
+//        // 进行矩阵乘法，将隐藏层的输出与输出层权重进行点积
+//        for(int i=0; i<100; i++)
+//        {
+//            affine2_temp = affine2_temp + affine2_w[i+100*n] * affine1_rslt[i];
+//        }
+//
+//        // 加上对应神经元的偏置
+//        affine2_temp = affine2_temp + affine2_b[n];
+//        affine2_rslt[n] = affine2_temp; // 存储输出层的结果
+//
+//        // 寻找最大值
+//        if(temp <= affine2_rslt[n])
+//        {
+//            temp = affine2_rslt[n]; // 更新最大值
+//            predict_num = n; // 记录最大值对应的类别索引
+//        }
+//    }
+    return 0;
+}

cnn.h

@@ -1,6 +1,7 @@
 #ifndef _CNN_H_
 #define _CNN_H_
-
+#include "cnn_model.h"
+#include <stdio.h>
 
 
 

cnn_model.h

@@ -29,7 +29,7 @@ typedef struct {
 #define FC1_WEIGHT_ARRSIZE (128*18432)		//2359296
 #define FC2_BIAS_ARRSIZE (7)
 #define FC2_WEIGHT_ARRSIZE (7*128)			//896
-#define DATA_ARRSIZE (1250000)				//1250000
+#define DATA_ARRSIZE (100*100)				//1250000
 
 
 

main.c

@@ -1,20 +1,20 @@
+////
+//// Created by Qi on 2024/11/9.
+////
 //
-// Created by Qi on 2024/11/9.
+//#include "cnn_model.h"
 //
-
-#include "cnn_model.h"
-
-void main(){
-    u8 res;
-    model_init();
-    model_write("all");
-    model_switchdata("C1autosave00095_right_new_2");
-
-
-
-
-
-
-    model_info("all");
-    DEBUG_PRINTF("\r\nEnd结束");
-}
+//void main(){
+//    u8 res;
+//    model_init();
+//    model_write("all");
+//    model_switchdata("C1autosave00095_right_new_2");
+//
+//
+//
+//
+//
+//
+//    model_info("all");
+//    DEBUG_PRINTF("\r\nEnd结束");
+//}