一款 C# 编写的神经网络计算图框架

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 = new SigmodLayer();
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 = new MSELoss();

        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！