Forward Network

本项目有一定程度的代码结构借鉴！

如需测试，请自行下载**MNIST**数据集！并放在main.cpp同一个目录下

sln解决方案结构描述

├── slnBackNN                 
├── 外部依赖项                   
├── 头文件                      // 声明
│   ├── funct.h
│   ├── layer.h                
│   └── process.h       
├── 源文件                      // 定义
│   ├── funct.cpp
│   ├── layer.cpp               
│   ├── main.cpp               // 主函数
│   └── process.cpp  
├── 资源文件                    // MNIST数据集
│   ├── t10k-images.idx3-ubyte
│   ├── t10k-labels.idx1-ubyte
│   ├── train-images.idx3-ubyte
│   ├── train-labels.idx1-ubyte
└── ..

基本描述

全连接神经网络在MNIST上的实现

文件功能介绍

funct.h:声明了一些辅助函数,如激活函数等 layer.h:声明了核心的神经网络层Layer类 process.h:声明了读取MNIST数据集的函数 funct.cpp:实现了辅助函数 layer.cpp:实现了Layer类,包含网络的训练和预测函数 main.cpp:程序入口,组织网络的训练和预测 process.cpp:实现了读取MNIST数据集的函数

程序设计

本程序通过Layer类实现了一个包含输入层、隐层和输出层的全连接神经网络。

network的训练和预测在Layer类的train()和predict()函数中实现。

辅助函数如激活函数在funct.cpp中实现。

MNIST数据集的读取和预处理在process.cpp中实现。

main.cpp作为入口,组织调用过程。

运行方法

直接编译main.cpp和其他文件,然后运行可执行文件,程序将自动开始训练和测试过程。

训练完成后,会输出在测试集上的损失。

结果示例

训练迭代300个样本,损失下降到0.081 在测试集上平均损失为0.097

总结

该项目实现了一个特别简单的（300batch-1epoch），可以在MNIST数据集上训练和测试的全连接神经网络模型。

唠叨

本项目于11月1日正式开始，11月6号完成搭建；为什么想要搭建MNIST手写数字数据集识别？因为这任务被称为深度学习的Hello World。

由于C++基础知识遗忘完了以及期中考试临近，所以被迫简化了原本打算实现的mini-batch学习，最终简化成了这种超级半吊子版本。离开了numpy真就什么都不行了。。。

最初打算通过Cmake搭建项目，捣鼓了一天还捣鼓不明白CmakeList.txt。。。

我有意保留了代码中的部分不成熟片段。算是人生第一个小项目了，代码并不是完全原创。踩了很多的雷，还记得当年第一次跑同MNIST数据集读取时，我是多么激动（好吧我承认，这个读取也有一部分的借鉴）也获得了很多经验。也感叹如今LLM的发达程度，起码Chatgpt3.5陪我一起面临数十项的报错。

路漫漫其修远兮。