彻底弄懂BP反向传播，15行代码，C++实现也简单，MNIST分类98.54 %精度

1. 使用C++实现图像分类，10轮nmist识别率达到98.54 %
2. 基于mnist数据集的BP算法，专业
3. 大量的备注，为了你学懂
4. 代码简单，核心代码15行
5. 仅仅依赖OpenBLAS（为了速度），如果不依赖太慢了。可以学习下

训练技巧

1. 权重初始化，凯明初始化，fan_in + fan_out
2. ReLU激活函数
3. SGD Momentum
4. 学习率衰减
5. loss函数中log的上下溢控制
6. sigmoid的exp上溢控制

执行起来

1. 下载数据集/依赖项，并解压编译

• bash ./download.sh这个环节干了两件事
  • 第一下载mnist数据集
  • 第二下载OpenBLAS依赖项，并且解压后编译

git clone [email protected]:shouxieai/bp-cpp.git
cd bp-cpp
bash ./download.sh

2. 运行

make test               测试查看效果
make image              加载workspace/5.bmp文件识别
make train              训练模型

核心代码

// 前向部分
auto x           = choice_rows(train_norm_images,   image_indexs, ibatch * batch_size, batch_size);
auto y           = choice_rows(train_onehot_labels, image_indexs, ibatch * batch_size, batch_size);
auto hidden      = gemm_mul(x,          false, input_to_hidden,  false) + hidden_bias;
auto hidden_act  = hidden.relu();
auto output      = gemm_mul(hidden_act, false, hidden_to_output, false) + output_bias;
auto probability = output.sigmoid();
float loss       = compute_loss(probability, y);

// 反向部分
auto doutput           = (probability - y) / batch_size;
auto doutput_bias      = row_sum(doutput);
auto dhidden_to_output = gemm_mul(hidden_act, true, doutput, false);
auto dhidden_act       = gemm_mul(doutput, false, hidden_to_output, true);
auto dhidden           = delta_relu(dhidden_act, hidden);
auto dinput_to_hidden  = gemm_mul(x, true, dhidden, false);
auto dhidden_bias      = row_sum(dhidden);
optim.update_params(...);

如果失败，请手动完成

1. 下载OpenBLAS，编译后放到lean目录下，确保Makefile中路径匹配正确
2. 下载MNIST数据集放到workspace目录下
3. 执行make train训练模型，然后make test进行模型测试

使用方式

cd workspace 

Help: 
     ./pro train        执行训练
     ./pro test         执行测试
     ./pro image 5.bmp  加载28x28的bmp图像文件进行预测

执行起来的效果图

训练的效果图

关于

• 进博客扫码加微信进群

1. 我们的博客：http://www.zifuture.com:8090/archives/bp
2. 我们的B站：https://space.bilibili.com/1413433465/
   • 关于BP的C++视频教程可崔更