Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/fqwqf/faqnet
faQnet /fɑːkjuːnet/是一个c++神经网络框架，它使用OpenCV库，并且使用单列矩阵储存输入输出。"faQnet"这个名字是"flexible and Quick neural network"的缩写，旨在实现一个强调灵活性和快速开发的神经网络框架，能够适应各种神经网络架构，同时提升开发效率。
https://github.com/fqwqf/faqnet
ai cpp opencv
Last synced: 9 days ago
JSON representation
faQnet /fɑːkjuːnet/是一个c++神经网络框架，它使用OpenCV库，并且使用单列矩阵储存输入输出。"faQnet"这个名字是"flexible and Quick neural network"的缩写，旨在实现一个强调灵活性和快速开发的神经网络框架，能够适应各种神经网络架构，同时提升开发效率。
- Host: GitHub
- URL: https://github.com/fqwqf/faqnet
- Owner: fQwQf
- License: mpl-2.0
- Created: 2024-10-07T05:00:51.000Z (about 1 month ago)
- Default Branch: master
- Last Pushed: 2024-10-29T13:54:19.000Z (10 days ago)
- Last Synced: 2024-10-29T16:13:10.148Z (10 days ago)
- Topics: ai, cpp, opencv
- Language: C++
- Homepage:
- Size: 1.25 MB
- Stars: 2
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
# 项目描述
**faQnet** /fɑːkjuːnet/是一个c++神经网络框架，它使用OpenCV库，并且使用单列矩阵储存输入输出。"faQnet"这个名字是"flexible and Quick neural network"的缩写，旨在实现一个强调灵活性和快速开发的神经网络框架，能够适应各种神经网络架构，同时提升开发效率。
# 安装和使用说明
1. 安装OpenCV库，并设置环境变量。
2. 下载faQnet，解压到任意目录。
3. 在需要使用faQnet的文件中，引用头文件/src/faQnet.h
```c++
#include "/src/faQnet.h"
```
4. 在编译时，将/src/faQnet.cpp加入编译。
```shell
g++ -o test test.cpp /src/faQnet.cpp
```
现在，你就可以使用faQnet了！
# 文档与学习
如果您想要学习框架的使用方法，请参考[用户文档](./docs/user_doc.md)。
如果您想要了解框架的内部原理，或者想要参与开发，请参考[开发文档](./docs/develop_doc.md)。
# 快速开始/示例和代码片段
以下以/demo/Breast Cancer/Breast Cancer.cpp为例，展示如何使用faQnet。
1. 引用头文件
```c++
#include "faQnet.h"
```
值得一提的是，您无需引用任何C++ 标准模板库(STL)头文件，因为faQnet.h已经包含了所有STL头文件。
2. 导入数据
在faQnet中，数据以单列矩阵的形式导入。因此我们内置了`load_data()`函数，用于从csv文件中导入数据。
```c++
std::vector input =faQnet::load_data("wdbc.csv", 4, 33);
std::vector target = faQnet::load_data("wdbc.csv", 2, 3);
```
3. 构建网络结构
在faQnet中，我们使用`faQnet::net`类来构建网络结构。您只需要将储存每一层节点数和激活函数类型的vector传入构造函数即可。
```c++
std::vector layer_size = {30, 15, 2};
std::vector activation_function = {"softsign", "leaky_relu","none"};
faQnet::net net(layer_size, activation_function);
```
4. 初始化矩阵
在faQnet中，我们使用您构建的net对象的`init_bias()`和`init_weight()`方法来初始化偏置项矩阵和权值矩阵。只需传入初始化方法和对应参数即可。
```c++
net.init_bias("uniform", -0.1, 0.1);
net.init_weight("normal", 0, 0.5);
```
5. （可选）数据归一化预处理
在faQnet中，我们使用net对象的`normalize_preprocess_input()`方法对输入数据进行归一化预处理。
```c++
net.normalize_preprocess_input(input);
```
6. 训练网络
在faQnet中，我们使用net对象的`train()`方法对网络进行训练。只需传入输入数据、预期输出、学习率、训练次数、采用的损失函数即可。
```c++
for (int i = 0; i < input.size()-100; i++){
std::cout << "训练数据：" << i+1 <<"/" << input.size() << std::endl;
net.train(input[i], target[i], 0.0001 ,10,"ce");
}
```
7. 预测
在faQnet中，我们使用net对象的`predict()`方法对数据进行预测。只需传入输入数据即可。同时，您还可以使用`faQnet::softmax()`函数对输出进行softmax处理。
```c++
for (int i = input.size()-100; i < input.size(); i++){
std::cout << "预测数据：" << i-input.size()+101 <<"/" << 100 ;
std::cout << faQnet::softmax(net.predict(input[i])) << std::endl;
std::cout << "实际数据：" << i-input.size()+101 <<"/" << 100 ;
std::cout << target[i] << std::endl;
}
```
# 项目结构和文件组织
|文件/目录 | 描述 | 用途 |
|-------|--------|------|
|/src |源代码目录 |存放项目的源代码|
|/docs |文档目录 |包含项目的文档和使用手册|
|/demo |示例目录 |存放项目示例|
|/pics |图片目录 |存放项目图片|
|README.md |项目说明文件 |提供项目的基本信息和使用指南|
# 联系信息
如果你有任何问题或建议，请随时通过我的电子邮件或与我联系。