ConvNetSharp

---

ConvnetSharp

Começou inicialmente como porto c# de convnetjs. Você pode usar o ConvnetSharp para treinar e avaliar as redes neurais convolucionais (CNN).

Muito obrigado ao autor original de ConvnetJS (Andrej Karpathy) e a todos os colaboradores!
Convnetsharp conta na biblioteca gerenciada para acesas nvidia's cuda

3 maneiras de criar rede neural

Core.Layers	Flow.Layers	Gráfico de computação
Sem gráfico de computação	Camadas que criam um gráfico de computação por trás da cena	'Fluxo puro'
Rede organizada por camadas de empilhamento	Rede organizada por camadas de empilhamento	'Ops' conectados uns aos outros. Pode implementar redes mais complexas
Por exemplo, mnistDemo	Por exemplo, mnistflowgpudemo ou versão de fluxo de classify2ddemo	Por exemplo, exemplos de exemplos

Código de exemplo

Aqui está um exemplo mínimo de definir uma rede neural de duas camadas e treiná-la em um único ponto de dados:

 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 fluente (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 mudar para o modo GPU:

• Adicione ' GPU ' no espaço para nome: using ConvNetSharp.Volume. GPU .Single; ou using ConvNetSharp.Volume. Gpu .Double;
• Adicione BuilderInstance<float>.Volume = new ConvNetSharp.Volume.GPU.Single.VolumeBuilder(); ou BuilderInstance<double>.Volume = new ConvNetSharp.Volume.GPU.Double.VolumeBuilder(); No início do seu código

Você deve ter CUDA versão 10.0 e CUDNN V7.6.4 (27 de setembro de 2019), para o CUDA 10.0 instalado. Caminho da bin Cudnn deve ser referenciado na variável do ambiente do caminho.

Mnist GPU Demo aqui

Salvar e carregar rede

Serialização em ConvnetSharp.core

 using ConvNetSharp . Core . Serialization ;

[ .. . ]

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

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

Serialização em ConvnetSharp.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)