由于维护者只是想继续前进，因此可以放弃该项目。在任何人对继续项目感兴趣的情况下，请告诉我们，以便我们可以讨论下一步。
请访问：https：//groups.google.com/forum/#！forum/tiny-dnn-dev
Tiny-DNN是C ++ 14深度学习的实施。它适用于有限的计算资源，嵌入式系统和物联网设备的深入学习。
| Linux/Mac OS | 视窗 |
|---|---|
目录
- 特征
- 与其他图书馆进行比较
- 支持的网络
- 依赖性
- 建造
- 例子
- 贡献
- 参考
- 执照
- 吉特室
查看文档以获取更多信息。
什么是新的
- 2016/11/30 V1.0.0A3已发布！
- 2016/9/14 tiny-dnn v1.0.0.0alpha已发布！
- 2016/8/7 Tiny-DNN现在已转移到组织帐户，并将其重命名为Tiny-DNN :)
- 2016/7/27 Tiny-DNN V0.1.1发布！
特征
- 相当快，没有GPU：
- 带有TBB螺纹和SSE/AVX矢量化。
- MNIST在13分钟训练中的精度为98.8％（@core I7-3520m）。
- 便携式和标题：
- 只要您拥有支持C ++ 14的编译器，就可以在任何地方运行。
- 只需包含tiny_dnn.h，然后将您的模型写入C ++即可。没有什么可安装的。
- 易于与真实应用程序集成：
- 没有输出对Stdout/stderr的输出。
- 恒定的吞吐量（简单的并行化模型，无垃圾收集）。
- 没有抛出例外的情况下工作。
- 可以导入Caffe的模型。
- 简单实施：
- 学习神经网络的好库。
与其他图书馆进行比较
请参阅Wiki页面。
支持的网络
图层类型
- 核
- 完全连接
- 辍学
- 线性操作
- 零填充
- 力量
- 卷积
- 卷积
- 平均合并
- 最大池
- 反向解决方案
- 平均不熟食
- 最大不冷
- 正常化
- 对比归一化（仅向前传）
- 批量归一化
- 拆分/合并
- concat
- 片
- elementwise-add
激活功能
- Tanh
- asinh
- 乙状结肠
- SoftMax
- 软plus
- SoftSign
- 纠正线性（relu）
- 漏水
- 身份
- 缩放的tanh
- 指数线性单元（ELU）
- 缩放指数线性单元（SELU）
损失功能
- 跨肠道
- 平方误差
- 平均绝对错误
- Epsilon范围的平均绝对误差
优化算法
- 随机梯度下降（有/不具有L2归一化）
- 动力和内斯特罗的动力
- Adagrad
- RMSPROP
- 亚当
- Adamax
依赖性
没有什么。您需要的只是C ++ 14编译器（GCC 4.9+，Clang 3.6+或VS 2015+）。
建造
Tiny-DNN仅是标题，所以没有什么可建造的。如果要执行示例程序或单元测试，则需要安装CMAKE并键入以下命令：
cmake . -DBUILD_EXAMPLES=ON make
然后更改为示例目录并运行可执行文件。
如果您想使用诸如Visual Studio或Xcode之类的IDE，也可以使用CMAKE生成相应的文件：
cmake . -G "Xcode" # for Xcode users cmake . -G "NMake Makefiles" # for Windows Visual Studio users
然后在Visual Studio中打开.sln文件并在Windows/MSVC上构建，或键入Make Command（在Linux/Mac/Windows-Mingw上）。
有一些CMAKE选项可用：
| 选项 | 描述 | 默认 | 使用的其他要求 |
|---|---|---|---|
| USE_TBB | 使用英特尔TBB并行化 | 1 | 英特尔TBB |
| USE_OMP | 使用OpenMP进行并行化 | 1 | OpenMP编译器 |
| USE_SSE | 使用Intel SSE指令集 | 在 | 支持SSE的英特尔CPU |
| USE_AVX | 使用英特尔AVX指令集 | 在 | 支持AVX的英特尔CPU |
| USE_AVX2 | 使用AVX2库支持构建微小的DNN | 离开 | 支持AVX2的英特尔CPU |
| USE_NNPACK | 使用NNPACK进行卷积操作 | 离开 | 多核CPU上神经网络的加速软件包 |
| USE_OPENCL | 启用/禁用OpenCL支持（实验） | 离开 | 异质系统并行编程的开放标准 |
| use_libdnn | 使用greentea libdnn通过OpenCL（实验）与GPU进行卷积操作 | 离开 | 支持CUDA和OPENCL的通用卷积实施 |
| use_serializer | 启用模型序列化 | 在2 | - |
| use_double | 使用双精度计算而不是单个精度 | 离开 | - |
| use_asan | 使用地址消毒剂 | 离开 | Clang或GCC编译器 |
| use_image_api | 启用图像API支持 | 在 | - |
| use_gemmlowp | 启用Gemmlowp支持 | 离开 | - |
| build_tests | 建立单元测试 | 休息3 | - |
| build_examples | 建立示例项目 | 离开 | - |
| build_docs | 构建文档 | 离开 | doxygen |
| 轮廓 | 建立单元测试 | 离开 | Gprof |
1 Tiny-DNN使用C ++ 14标准库进行并行化。
2如果您不使用序列化，则可以关闭加速汇编时间。
3 Tiny-DNN使用Google测试作为默认框架来运行单元测试。无需预安装，它会在CMAKE配置期间自动下载。
例如，如果要使用Intel TBB并构建测试，请键入以下命令：
cmake -DUSE_TBB=ON -DBUILD_TESTS=ON . 自定义配置
您可以编辑包含/config.h以自定义默认行为。
例子
构建卷积神经网络
# include " tiny_dnn/tiny_dnn.h "
using namespace tiny_dnn ;
using namespace tiny_dnn ::activation ;
using namespace tiny_dnn ::layers ;
void construct_cnn () {
using namespace tiny_dnn ;
network net;
// add layers
net << conv ( 32 , 32 , 5 , 1 , 6 ) << tanh () // in:32x32x1, 5x5conv, 6fmaps
<< ave_pool ( 28 , 28 , 6 , 2 ) << tanh () // in:28x28x6, 2x2pooling
<< fc ( 14 * 14 * 6 , 120 ) << tanh () // in:14x14x6, out:120
<< fc ( 120 , 10 ); // in:120, out:10
assert (net. in_data_size () == 32 * 32 );
assert (net. out_data_size () == 10 );
// load MNIST dataset
std::vector< label_t > train_labels;
std::vector< vec_t > train_images;
parse_mnist_labels ( " train-labels.idx1-ubyte " , &train_labels);
parse_mnist_images ( " train-images.idx3-ubyte " , &train_images, - 1.0 , 1.0 , 2 , 2 );
// declare optimization algorithm
adagrad optimizer;
// train (50-epoch, 30-minibatch)
net. train (optimizer, train_images, train_labels, 30 , 50 );
// save
net. save ( " net " );
// load
// network net2;
// net2.load("net");
} 构建多层感知器（MLP）
# include " tiny_dnn/tiny_dnn.h "
using namespace tiny_dnn ;
using namespace tiny_dnn ::activation ;
using namespace tiny_dnn ::layers ;
void construct_mlp () {
network net;
net << fc ( 32 * 32 , 300 ) << sigmoid () << fc ( 300 , 10 );
assert (net. in_data_size () == 32 * 32 );
assert (net. out_data_size () == 10 );
} 构造MLP的另一种方法
# include " tiny_dnn/tiny_dnn.h "
using namespace tiny_dnn ;
using namespace tiny_dnn ::activation ;
void construct_mlp () {
auto mynet = make_mlp({ 32 * 32 , 300 , 10 });
assert (mynet. in_data_size () == 32 * 32 );
assert (mynet. out_data_size () == 10 );
} 有关更多样本，请阅读示例/main.cpp或mnist示例页面。
贡献
由于深度学习社区正在迅速增长，因此我们很乐意从您那里获得贡献，以加速微小的DNN开发！有关贡献的快速指南，请查看贡献文件。
参考
[1] Y. Bengio，基于梯度的深度建筑培训的实用建议。 ARXIV：1206.5533V2，2012
[2] Y. Lecun，L。Bottou，Y。Bengio和P. Haffner，基于梯度的学习应用于文档识别。 IEEE的论文集，86，2278-2324。
其他有用的参考列表：
- UFLDL建议阅读
- 深度学习。net阅读列表
执照
BSD 3级许可证
吉特室
我们有用于讨论新功能和质量检查的吉特室。随时加入我们！
| 开发人员 | https://gi*t*ter*.im/tiny-dnn/developers |
| 用户 | https://gitt*e*r.i*m/tiny-dnn/users |
下载源码
通过命令行克隆项目:
git clone https://github.com/tiny-dnn/tiny-dnn.git