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

完成流程，但没有验证

Browse Source
This commit is contained in:
Qiea
2024-11-10 22:46:18 +08:00
parent 63cbfb9693
commit 63021d3c76
1 changed files with 65 additions and 64 deletions
Download Patch File Download Diff File Expand all files Collapse all files

129
cnn.c
View File

@@ -145,7 +145,7 @@ int main(){
float* conv_rlst_3 = convolution(conv3_weight,conv3_bias,expand_matrix_3, 27); float* conv_rlst_3 = convolution(conv3_weight,conv3_bias,expand_matrix_3, 27);
print_rslt(conv_rlst_3, 25, (1*25*25)); print_rslt(conv_rlst_3, 25, (1*25*25));
float* pool_rslt_3 = pooling(conv3_weight, conv_rlst_3, 25); float* pool_rslt_3 = pooling(conv3_weight, conv_rlst_3, 25);
print_rslt(pool_rslt_3, 25, (1*12*12)); print_rslt(pool_rslt_3, 12, (1*12*12));
@@ -161,68 +161,69 @@ int main(){
//// 隐藏层参数地址 // 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_rslt = (float *) malloc(sizeof(float)*128);
// float *affine1_b; // 指向第一个全连接层偏置的内存地址的指针 memset(affine1_rslt, 0, sizeof(float)*128);
// affine1_param_init(); // 初始化全连接层参数 float affine1_temp; // 临时变量，用于存储全连接层的中间结果
// 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128个神经元（假设隐藏层有128个神经元）
// for(int n=0; n<128; n++)
//// 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
// {
// 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++)
// // 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_3[i] * fc1_weight.array[i+(128*12*12)*n];
// { }
// affine1_temp = affine1_temp + pool_rslt_1[i] * affine1_w[i+4320*n];
// } // 加上对应神经元的偏置
// affine1_temp = affine1_temp + fc1_bias.array[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)
// // 激活函数：ReLU（将小于0的值设为0） affine1_rslt[n] = affine1_temp; // 如果结果大于0，存入结果数组
// if(affine1_temp > 0) else
// affine1_rslt[n] = affine1_temp; // 如果结果大于0，存入结果数组 affine1_rslt[n] = 0; // 否则存入0
// else }
// affine1_rslt[n] = 0; // 否则存入0
// } print_rslt(affine1_rslt,1,128);
//
//
//
// 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_temp; // 临时变量，用于存储输出层的中间结果
// 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_rslt[7]; // 存储输出层的结果（假设输出层有7个神经元）
// 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 // 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
// float affine2_rslt[10]; // 存储输出层的结果（假设输出层有10个神经元） int predict_num; // 用于存储预测的数字（对应最大值的索引）
//
//// 比较输出层的最大值 // 遍历7个输出神经元（假设有7个类别）
// 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 for(int n=0; n<7; n++)
// int predict_num; // 用于存储预测的数字（对应最大值的索引） {
// affine2_temp = 0; // 当前神经元的输出初始化为0
//// 遍历10个输出神经元（假设有10个类别）
// for(int n=0; n<10; n++) // 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 = 0; // 当前神经元的输出初始化为0 {
// affine2_temp = affine2_temp + fc2_weight.array[i+100*n] * affine1_rslt[i];
// // 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++)
// { // 加上对应神经元的偏置
// affine2_temp = affine2_temp + affine2_w[i+100*n] * affine1_rslt[i]; affine2_temp = affine2_temp + fc2_bias.array[n];
// } affine2_rslt[n] = affine2_temp; // 存储输出层的结果
//
// // 加上对应神经元的偏置 // 寻找最大值
// affine2_temp = affine2_temp + affine2_b[n]; if(temp <= affine2_rslt[n])
// affine2_rslt[n] = affine2_temp; // 存储输出层的结果 {
// temp = affine2_rslt[n]; // 更新最大值
// // 寻找最大值 predict_num = n; // 记录最大值对应的类别索引
// 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,1,7);
// }
// } printf("RES is:%d",predict_num+1);
return 0; return 0;
} }