Qiea/c-cnn
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

简化代码

Browse Source
This commit is contained in:
Qiea
2024-11-11 12:40:52 +08:00
parent 0af7f203c7
commit 2a6580ac30
3 changed files with 84 additions and 75 deletions
Download Patch File Download Diff File Expand all files Collapse all files

154
cnn.c
View File

@@ -2,6 +2,20 @@
void print_rslt(float* rslt, u8 input_matrix_length, u32 length){
int _tmp = 0;
printf("[0:0]");
for (int i = 0; i < length; i++) {
printf("%f ",rslt[i]);
if ((i + 1) % input_matrix_length == 0) {
printf("\n[%d:%d]",++_tmp,i+1);
}
}
printf("\r\n");
}
// 将原始矩阵复制到填充后的矩阵中央
float* expand(const float* old_matrix, int old_matrix_length, int layer){
float* new_matrix = (float *)malloc(sizeof(float)*layer*(old_matrix_length+2)*(old_matrix_length+2));
@@ -125,16 +139,75 @@ float* pooling(Model model_w, const float* input_matrix, u8 input_matrix_length)
void print_rslt(float* rslt, u8 input_matrix_length, u32 length){
int _tmp = 0;
printf("[0:0]");
for (int i = 0; i < length; i++) {
printf("%f ",rslt[i]);
if ((i + 1) % input_matrix_length == 0) {
printf("\n[%d:%d]",++_tmp,i+1);
float* hidden(const float* input_matrix){
float affine1_temp; // 临时变量，用于存储全连接层的中间结果
float *affine1_rslt = (float *) malloc(sizeof(float)*128);
memset(affine1_rslt, 0, sizeof(float)*128);
// 遍历128个神经元（假设隐藏层有128个神经元）
for(u8 n=0; n<128; 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<(128*12*12); i++)
{
affine1_temp = affine1_temp + input_matrix[i] * fc1_weight.array[i+(128*12*12)*n];
}
// 加上对应神经元的偏置
affine1_temp = affine1_temp + fc1_bias.array[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
}
// print_rslt(affine1_rslt,1,128);
return affine1_rslt;
}
float* output(const float* input_matrix){
float affine2_temp; // 临时变量，用于存储输出层的中间结果
float *affine2_rslt = (float *) malloc(sizeof(float)*7);
memset(affine2_rslt, 0, sizeof(float)*7);
// 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<7; 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<128; i++)
{
affine2_temp = affine2_temp + fc2_weight.array[i+128*n] * input_matrix[i];
}
// 加上对应神经元的偏置
affine2_temp = affine2_temp + fc2_weight.array[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
}
}
printf("\r\n");
print_rslt(affine2_rslt,7,7);
printf("Label is:%d\r\n",predict_num+1);
return affine2_rslt;
}
@@ -154,68 +227,7 @@ void cnn_run(){
float* conv_rlst_3 = convolution(conv3_weight,conv3_bias,expand_matrix_3, 27);
float* pool_rslt_3 = pooling(conv3_weight, conv_rlst_3, 25);
{
// 隐藏层参数地址
float *affine1_rslt = (float *) malloc(sizeof(float)*128);
memset(affine1_rslt, 0, sizeof(float)*128);
float affine1_temp; // 临时变量，用于存储全连接层的中间结果
float* affine1_rslt = hidden(pool_rslt_3);
float* affine2_rslt = output(affine1_rslt);
// 遍历128个神经元（假设隐藏层有128个神经元）
for(u8 n=0; n<128; 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<(128*12*12); i++)
{
affine1_temp = affine1_temp + pool_rslt_3[i] * fc1_weight.array[i+(128*12*12)*n];
}
// 加上对应神经元的偏置
affine1_temp = affine1_temp + fc1_bias.array[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
}
// print_rslt(affine1_rslt,1,128);
float affine2_temp; // 临时变量，用于存储输出层的中间结果
float affine2_rslt[7]; // 存储输出层的结果（假设输出层有7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<7; 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<128; i++)
{
affine2_temp = affine2_temp + fc2_weight.array[i+128*n] * affine1_rslt[i];
}
// 加上对应神经元的偏置
affine2_temp = affine2_temp + fc2_weight.array[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
}
}
print_rslt(affine2_rslt,7,7);
printf("Label is:%d\r\n",predict_num+1);
}
}

4
cnn_model.c
View File

@@ -287,9 +287,7 @@ u8 model_switchdata(char* data_name){
}
}
void model_dataset(){
printf("\r\ndataset is: %s\r\n",data.dname);
}
u8 model_info(char* model_name){
if(strcmp(model_name, "all") == 0){

1
cnn_model.h
View File

@@ -56,7 +56,6 @@ u8 modelmym_free(char* model_name);
u8 model_write(char* model_name);
u8 model_read(char* model_name, u32 start, u32 end, u32 gap);
u8 model_switchdata(char* model_name);
void model_dataset(void);
u8 model_info(char* model_name);
void* model(char* model_name);
void model_init(void);