c-cnn/cnn.c

#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, int old_matrix_length, int layer){
    float* new_matrix = (float *)malloc(sizeof(float)*layer*(old_matrix_length+2)*(old_matrix_length+2));
    memset(new_matrix, 0, sizeof(float)*layer*(old_matrix_length+2)*(old_matrix_length+2));
    for(int l=0; l < layer; l++){
        for (int i = 0; i < old_matrix_length; i++) {
            for (int j = 0; j < old_matrix_length; j++) {
                new_matrix[(i + 1) * (old_matrix_length+2) + (j + 1) +
                           l * (old_matrix_length+2) * (old_matrix_length+2)]
                = old_matrix[i * old_matrix_length + j +
                             l * (old_matrix_length) * (old_matrix_length)];
            }
        }
    }
    return new_matrix;
}



//model 模型名字
//input_matrix 输入图像
//input_matrix_length 输入图像的边长：102
//c_rl 输出图像的边长：100
//返回卷积的结果
float* convolution(Model model_w, Model model_b, const float* input_matrix, int input_matrix_length){
    // 初始化卷积层参数
    int _debug=0;
    int im_l = input_matrix_length;
    int cr_l = input_matrix_length - 2;
    float conv_temp; // 临时变量，用于存储卷积计算的中间结果

    //用于合并前的数组，具有32*64*50*50(第二层)的大小
    float* _conv_rlst = (float *) malloc(sizeof (float) * model_w.channel * model_w.num_kernels * (cr_l * cr_l));
    memset(_conv_rlst, 0, sizeof (float) * model_w.channel * model_w.num_kernels * (cr_l * cr_l));
    //子图合并后的数组
    float* conv_rlst = (float *) malloc(sizeof (float) * model_w.num_kernels * (cr_l * cr_l));
    memset(conv_rlst, 0, sizeof (float) * model_w.num_kernels * (cr_l * cr_l));

    // 遍历30个卷积核（假设有30个通道）
    for(int c=0; c < model_w.channel; c++){
        for(int k=0; k < model_w.num_kernels; k++){
            for(int row = 0; row < cr_l; row++) {
                for (int col = 0; col < cr_l; col++) {
                    conv_temp = 0; // 每个输出像素初始化为0
                    // 进行3x3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[(c*im_l*im_l) + (row*(im_l)+col) + (x*(im_l)+y)]
                                    * model_w.array[((c+k*model_w.channel)*3*3) + (x*3+y)];
                        }
                    }
                    _conv_rlst[(c*model_w.num_kernels*cr_l*cr_l) + (k*cr_l*cr_l) + (row*cr_l+col)] = conv_temp;
                }
           }
        }
    }
    //合并子图
    {
        for(int k=0; k < model_w.num_kernels; k++) {
            for (int row = 0; row < cr_l; row++) {
                for (int col = 0; col < cr_l; col++) {
                    conv_temp = 0; // 每个输出像素初始化为0
                    for (int c = 0; c < model_w.channel; c++) {
                        conv_temp += _conv_rlst[(c * model_w.num_kernels * cr_l * cr_l) + (k * cr_l * cr_l) + (row * cr_l + col)];
                    }
                    // 加上对应卷积核的偏置
                    conv_temp += model_b.array[k];
                    // 激活函数：ReLU（将小于0的值设为0）
                    if (conv_temp > 0)
                        conv_rlst[(k * (cr_l * cr_l)) + (row * cr_l) + (col)] = conv_temp; // 如果卷积结果大于0，存入结果数组
                    else
                        conv_rlst[(k * (cr_l * cr_l)) + (row * cr_l) + (col)] = 0; // 否则存入0
                }
            }
        }
    }
    return conv_rlst;
}



//num_kernels 卷积核的个数：32
//area 池化的面积：2*2
//input_matrix 输入图像
//input_matrix_length 输入图像的边长：100
//输出图像的边长：50
//返回池化的结果
float* pooling(Model model_w, const float* input_matrix, u8 input_matrix_length){
    u8 im_l = input_matrix_length;
    float pool_temp = 0; // 临时变量，用于存储池化操作的最大值
    float* pool_rslt = (float *) malloc(sizeof (float)*model_w.num_kernels*im_l*im_l);
    memset(pool_rslt, 0, sizeof (float)*model_w.num_kernels*im_l*im_l);
    // 遍历30个通道（与卷积核数量相同）
    for(u8 n=0; n<model_w.num_kernels; n++)
    {
        // 遍历输入图像的每一行，步长为2（2x2的池化窗口）
        for(u8 row=0; row<im_l; row=row+2)
        {
            // 遍历输入图像的每一列，步长为2
            for(u8 col=0; col<im_l; 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(u8 x=0; x<2; x++)
                {
                    for(u8 y=0; y<2; y++)
                    {
                        // 更新当前池化区域的最大值
                        if(pool_temp <= input_matrix[row*im_l+col+x*im_l+y+n*(im_l*im_l)])
                            pool_temp = input_matrix[row*im_l+col+x*im_l+y+n*(im_l*im_l)];
                    }
                }
                // 将最大值存入池化结果数组
                pool_rslt[(row/2)*(im_l/2)+col/2+n*((im_l/2)*(im_l/2))] = pool_temp;
            }
        }
    }
    return pool_rslt;
}



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");
}



void cnn_run(){

//第一层：填充102 * 102
    float* expand_matrix_1 = expand(data.array, 100, 1);
    float* conv_rlst_1 = convolution(conv1_weight,conv1_bias,expand_matrix_1, 102);
    float* pool_rslt_1 = pooling(conv1_weight, conv_rlst_1, 100);
//第二层：填充32 * 52 * 52
    float* expand_matrix_2 = expand(pool_rslt_1, 50, 32);
    float* conv_rlst_2 = convolution(conv2_weight,conv2_bias,expand_matrix_2, 52);
    float* pool_rslt_2 = pooling(conv2_weight, conv_rlst_2, 50);
//第三层：填充 64 * 27 * 27
    float* expand_matrix_3 = expand(pool_rslt_2, 25, 64);
    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

// 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);
    }
}