C语言实现CNN的前向推理

  利用Python训练模型，提取模型参数到C语言的头文件，C语言进行前向推理计算。

• 1.填充算子
• • 1.1多维数组实现
  • 1.2一维数组实现
• 2.卷积算子
• • 2.1多维数组实现
  • 2.2一维数组实现
• 3.池化算子
• • 3.1多维数组实现
  • 3.2一维数组实现
• 4.全连接算子

  有时我们还希望输入和输出的大小应该保持一致。为解决这个问题，可以在进行卷积操作前，对原矩阵进行边界填充，也就是在矩阵的边界上填充一些值，以增加矩阵的大小，通常都用“0”来进行填充的。

for (col=0;col 
  填充一圈，多维数组容易操作，先初始化一个全零的二维数组，然后将数据进行对应替换，填充多圈类似。
 
1.2一维数组实现 
for (int col=0;col 
2.卷积算子 
  卷积神经网路中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法优化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征。
 
2.1多维数组实现 
for (outChs=0;outChs0?out2[outChs][col][row]:0;
            }
        }
    }
 
2.2一维数组实现 
for (int outChs=0;outChs0?out1[outChs*OUTPUT2*OUTPUT2+col*OUTPUT2+row]:0;
            }
        }
    }
 
3.池化算子 
  在CNN网络中卷积池之后会跟上一个池化层，池化层的作用是提取局部均值与最大值，根据计算出来的值不一样就分为均值池化层与最大值池化层，一般常见的多为最大值池化层。
 
3.1多维数组实现 
for (outChs=0;outChs
                            out3[outChs][col][row]?out2[outChs][col*POOL_STRIDE1+i][row*POOL_STRIDE1+j]:out3[outChs][col][row];
                    }
                }
            }
        }
    }
    }
 
3.2一维数组实现 
for (int outChs=0;outChs
                            out2[outChs*OUTPUT3*OUTPUT3+col*OUTPUT3+row]?out1[outChs*OUTPUT2*OUTPUT2+(col*POOL_STRIDE1+i)*OUTPUT2+row*POOL_STRIDE1+j]:out2[outChs*OUTPUT3*OUTPUT3+col*OUTPUT3+row];
                    }
                }
            }
        }
    }
 
4.全连接算子 
  全连接层的主要目的就是维度变换，把高维的数据变成低维，在这个过程中，有用的信息保留下来，但是损失特征的位置信息。
 
for (int fci=0;fci0 ? out2[fci]:0;
    }