前言

深度学习技术的不断发展，神经网络在各个领域得到了广泛应用。为了满足 .NET 开发的需求，推荐一款使用 C# 编写的神经网络计算图框架。

框架的使用方法接近 PyTorch，提供了丰富的示例和详细的文档，帮助大家快速上手。

框架介绍

项目完全使用 C# 编写，提供了一个透明的神经网络计算图框架。用户可以查看和理解框架内部的任何实现细节。

框架支持多种网络结构，包括卷积神经网络（CNN）、反向传播网络（BP）、全连接网络（FCN）、长短期记忆网络（LSTM）、卷积长短期记忆网络（ConvLSTM）和门控循环单元网络（GRU）。

每个示例都附带了所需的数据内容，确保用户能够快速上手并进行实验。

使用说明

  • 损失函数支持
    ：MESLOSS、交叉熵损失 (Cross-Entropy)
  • 激活函数支持
    ：ReLU、Tanh、Sigmoid、Softmax
  • 数据类型支持
    ：二维数据 float[][] 和四维数据 float[][][,]
  • 池化支持
    ：平均池化、最大池化
  • 其他支持
    ：卷积层 (ConvLayer)、二维卷积层 (Conv2DLayer)、乘法层 (MulLayer)、转置卷积层 (ConvTranspose2DLayer)

部分代码示例

//声明两个ConvLayer 和一个激活函数SigmodLayer
ConvLayer cl1 = new ConvLayer(13, 5, true);

          

SigmodLayer sl= newSigmodLayer();float lr = 0.5f;

ConvLayer cl2= new ConvLayer(5, 1, true);int i = 0,a=0;while (a < 5000)

{dynamic ff =cl1.Forward(x);

        ff=sl.Forward(ff);

        ff=cl2.Forward(ff);//计算误差
        MSELoss mloss = newMSELoss();var loss =mloss.Forward(ff, y);



        Console.WriteLine("误差:" +loss);dynamic grid =mloss.Backward();//反传播w2
       
        dynamic w22 =cl2.backweight(grid);//反传播W1
        dynamic grid1 =cl2.backward(grid);

        grid1=sl.Backward(grid1);dynamic w11 =cl1.backweight(grid1);//更新参数
        cl2.weights =Matrix.MatrixSub(cl2.weights, Matrix.multiply(w22.grid, lr));

        cl2.basicData=Matrix.MatrixSub(cl2.basicData, Matrix.multiply(w22.basic, lr));



        cl1.weights=Matrix.MatrixSub(cl1.weights, Matrix.multiply(w11.grid, lr));

        cl1.basicData=Matrix.MatrixSub(cl1.basicData, Matrix.multiply(w11.basic, lr));

        i++;

  

    a++;

}

BP网络运行图

CNN网络95%识别成功率

lstm网络预测PM2.5空气质量

项目地址

Gitee：
https://gitee.com/UDCS/WeaveAI

最后

如果你觉得这篇文章对你有帮助，不妨点个赞支持一下！你的支持是我继续分享知识的动力。如果有任何疑问或需要进一步的帮助，欢迎随时留言。

也可以加入微信公众号
[DotNet技术匠]
社区，与其他热爱技术的同行一起交流心得，共同成长！
优秀是一种习惯，欢迎大家留言学习！

标签: none

添加新评论