ConvNetSharp

---

Convetsharp

Comenzó inicialmente como puerto C# de Convnetjs. Puede usar ConvnetSharp para entrenar y evaluar las redes neuronales convolucionales (CNN).

¡Muchas gracias al autor original de Convnetjs (Andrej Karpathy) y a todos los contribuyentes!
ConvnetSharp se basa en la Biblioteca ManagedCuda para acceder a CUDA de Nvidia

3 formas de crear una red neuronal

Core.lapas	Flujo.	Gráfico de cálculo
Sin gráfico de cálculo	Capas que crean un gráfico de cálculo detrás de la escena	'Flujo puro'
Red organizada por apilamiento de capas	Red organizada por apilamiento de capas	'OPS' conectados con el uno al otro. Puede implementar redes más complejas
Por ejemplo, Mnistdemo	Por ejemplo, MnistflowGpudemo o versión de flujo de Classify2DDemo	Ej.

Código de ejemplo

Aquí hay un ejemplo mínimo de definir una red neuronal de 2 capas y capacitarla en un solo punto de datos:

 using System ;
using ConvNetSharp . Core ;
using ConvNetSharp . Core . Layers . Double ;
using ConvNetSharp . Core . Training . Double ;
using ConvNetSharp . Volume ;
using ConvNetSharp . Volume . Double ;

namespace MinimalExample
{
    internal class Program
    {
        private static void Main ( )
        {
            // specifies a 2-layer neural network with one hidden layer of 20 neurons
            var net = new Net < double > ( ) ;

            // input layer declares size of input. here: 2-D data
            // ConvNetJS works on 3-Dimensional volumes (width, height, depth), but if you're not dealing with images
            // then the first two dimensions (width, height) will always be kept at size 1
            net . AddLayer ( new InputLayer ( 1 , 1 , 2 ) ) ;

            // declare 20 neurons
            net . AddLayer ( new FullyConnLayer ( 20 ) ) ;

            // declare a ReLU (rectified linear unit non-linearity)
            net . AddLayer ( new ReluLayer ( ) ) ;

            // declare a fully connected layer that will be used by the softmax layer
            net . AddLayer ( new FullyConnLayer ( 10 ) ) ;

            // declare the linear classifier on top of the previous hidden layer
            net . AddLayer ( new SoftmaxLayer ( 10 ) ) ;

            // forward a random data point through the network
            var x =  BuilderInstance . Volume . From ( new [ ] { 0.3 , - 0.5 } , new Shape ( 2 ) ) ;

            var prob = net . Forward ( x ) ;

            // prob is a Volume. Volumes have a property Weights that stores the raw data, and WeightGradients that stores gradients
            Console . WriteLine ( " probability that x is class 0: " + prob . Get ( 0 ) ) ; // prints e.g. 0.50101

            var trainer = new SgdTrainer ( net ) { LearningRate = 0.01 , L2Decay = 0.001 } ;
            trainer . Train ( x , BuilderInstance . Volume . From ( new [ ] { 1.0 , 0.0 , 0.0 , 0.0 , 0.0 , 0.0 , 0.0 , 0.0 , 0.0 , 0.0 } , new Shape ( 1 , 1 , 10 , 1 ) ) ) ; // train the network, specifying that x is class zero

            var prob2 = net . Forward ( x ) ;
            Console . WriteLine ( " probability that x is class 0: " + prob2 . Get ( 0 ) ) ;
            // now prints 0.50374, slightly higher than previous 0.50101: the networks
            // weights have been adjusted by the Trainer to give a higher probability to
            // the class we trained the network with (zero)
        }
    }
} 

API fluida (ver FluentMnistDemo)

 var net = FluentNet < double > . Create ( 24 , 24 , 1 )
                   . Conv ( 5 , 5 , 8 ) . Stride ( 1 ) . Pad ( 2 )
                   . Relu ( )
                   . Pool ( 2 , 2 ) . Stride ( 2 )
                   . Conv ( 5 , 5 , 16 ) . Stride ( 1 ) . Pad ( 2 )
                   . Relu ( )
                   . Pool ( 3 , 3 ) . Stride ( 3 )
                   . FullyConn ( 10 )
                   . Softmax ( 10 )
                   . Build ( ) ; 

GPU

Para cambiar al modo GPU:

• Agregue ' GPU ' en el espacio de nombres: using ConvNetSharp.Volume. GPU .Single; o using ConvNetSharp.Volume. GPU .Double;
• Agregar BuilderInstance<float>.Volume = new ConvNetSharp.Volume.GPU.Single.VolumeBuilder(); o BuilderInstance<double>.Volume = new ConvNetSharp.Volume.GPU.Double.VolumeBuilder(); al mendigar su código

Debe tener CUDA versión 10.0 y Cudnn V7.6.4 (27 de septiembre de 2019), para CUDA 10.0 instalado. Se debe hacer referencia a la ruta de Bin Cudnn en la variable de entorno de ruta.

Demostración de gpu de mnist aquí

Guardar y cargar red

Serialización en convetsharp.core

 using ConvNetSharp . Core . Serialization ;

[ .. . ]

// Serialize to json 
var json = net . ToJson ( ) ;

// Deserialize from json
Net deserialized = SerializationExtensions . FromJson < double > ( json ) ;

Serialización en convetsharp.flow

 using ConvNetSharp . Flow . Serialization ;

[ .. . ]

// Serialize to two files: MyNetwork.graphml (graph structure) / MyNetwork.json (volume data)
net . Save ( " MyNetwork " ) ;

// Deserialize from files
var deserialized = SerializationExtensions . Load < double > ( " MyNetwork " , false ) [ 0 ] ;  // first element is the network (second element is the cost if it was saved along)