Deep learning 一种简单的卷积神经网络编码

我对卷积神经网络（CNN）感兴趣，它是一个计算广泛的应用示例，适用于使用可重构硬件（例如FPGA）进行加速

为了做到这一点，我需要检查一个简单的CNN代码，我可以用它来理解它们是如何实现的，每一层的计算是如何进行的，每一层的输出是如何被输入到下一层的。我熟悉理论部分（）

但是，我对训练CNN不感兴趣，我想要一个完整的，自我包含的CNN代码，它是预先训练的，所有的权重和偏差值都是已知的

我知道有很多CNN库，即Caffe，但问题是没有自包含的简单示例代码。即使对于最简单的Caffe示例“cpp_分类”，也会调用许多库，CNN的体系结构表示为.prototxt文件，还涉及其他类型的输入，如.caffemodel和.binaryproto。openCV2库也被调用。有一层又一层的抽象和不同的库一起工作来产生分类结果

我知道需要这些抽象来生成一个“可用的”CNN实现，但是对于一个需要一个基本代码来学习的硬件人员来说，这是太多的“不相关的工作”

---

我的问题是：有谁能引导我进入一个简单且自包含的CNN实现，我可以从它开始吗？

这是我见过的最简单的实现：

另外，的源代码看起来非常简单。

我可以推荐。它简单、轻量级（例如，仅限报头）且仅限CPU，同时提供了文献中经常使用的几个层（例如池层、退出层或本地响应规范化层）。这意味着，您可以轻松地探索这些层在C++中的高效实现，而不需要知识库的知识挖掘和通过I/O和框架代码挖掘，如框架等所需的。该实现缺少一些注释，但代码仍然易于阅读和理解

所提供的工具非常容易使用（不久前我自己也尝试过），而且训练效率也很高。训练和测试后，将重量写入文件。然后，您就有了一个简单的预培训模型，可以从中开始，请参阅提供的和。它可以很容易地加载以进行测试（或识别数字），这样您就可以在执行学习的模型时调试代码

---

如果您想检查更复杂的网络，请查看。

谢谢！您的链接对于编码和学习概念都非常有用。谢谢！对于初学者来说，tiny cnn确实比Caffe更具可读性，这是一个很好的起点。你可能也有兴趣阅读我的调查报告，该报告回顾了75多篇论文。许多作者可能已经发布了他们的源代码，因此您可以找到许多CNN实现来开始。