{"id":290756,"date":"2018-10-14T19:05:02","date_gmt":"2018-10-14T15:05:02","guid":{"rendered":"http:\/\/savepearlharbor.com\/?p=290756"},"modified":"-0001-11-30T00:00:00","modified_gmt":"-0001-11-29T21:00:00","slug":"","status":"publish","type":"post","link":"https:\/\/savepearlharbor.com\/?p=290756","title":{"rendered":"\u041d\u0435\u0439\u0440\u043e\u0441\u0435\u0442\u044c \u0434\u043b\u044f \u0440\u0430\u0437\u0440\u0430\u0431\u043e\u0442\u0447\u0438\u043a\u043e\u0432 C++"},"content":{"rendered":"\n<div class=\"post__text post__text-html js-mediator-article\">\u0412\u0441\u0435\u043c \u043f\u0440\u0438\u0432\u0435\u0442.<br \/>  \u041d\u0430\u043f\u0438\u0441\u0430\u043b \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0443 \u0434\u043b\u044f \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u043e\u0439 \u0441\u0435\u0442\u0438. \u041a\u043e\u043c\u0443 \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u043e, \u043f\u0440\u043e\u0448\u0443. <br \/>   <a name=\"habracut\"><\/a><\/p>\n<p>  \u0414\u0430\u0432\u043d\u043e \u0445\u043e\u0442\u0435\u043b \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u0441\u0435\u0431\u0435 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442 \u0442\u0430\u043a\u043e\u0433\u043e \u0443\u0440\u043e\u0432\u043d\u044f. C \u043b\u0435\u0442\u0430 \u0432\u0437\u044f\u043b\u0441\u044f \u0437\u0430 \u0434\u0435\u043b\u043e. \u0412\u043e\u0442 \u0447\u0442\u043e \u043f\u043e\u043b\u0443\u0447\u0438\u043b\u043e\u0441\u044c:<\/p>\n<ul>\n<li>\u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430 \u043d\u0430\u043f\u0438\u0441\u0430\u043d\u0430 \u0441 \u043d\u0443\u043b\u044f \u043d\u0430 C++ (\u0442\u043e\u043b\u044c\u043a\u043e STL + OpenBLAS \u0434\u043b\u044f \u0440\u0430\u0441\u0447\u0435\u0442\u0430), C-\u0438\u043d\u0442\u0435\u0440\u0444\u0435\u0439\u0441, win\/linux; <\/li>\n<li>c\u0442\u0440\u0443\u043a\u0442\u0443\u0440\u0430 \u0441\u0435\u0442\u0438 \u0437\u0430\u0434\u0430\u0435\u0442\u0441\u044f \u0432 JSON;<\/li>\n<li>\u0431\u0430\u0437\u043e\u0432\u044b\u0435 \u0441\u043b\u043e\u0438: \u043f\u043e\u043b\u043d\u043e\u0441\u0432\u044f\u0437\u043d\u044b\u0439, \u0441\u0432\u0435\u0440\u0442\u043e\u0447\u043d\u044b\u0439, \u043f\u0443\u043b\u0438\u043d\u0433. \u0414\u043e\u043f\u043e\u043b\u043d\u0438\u0442\u0435\u043b\u044c\u043d\u044b\u0435: resize, crop..;<\/li>\n<li>\u0431\u0430\u0437\u043e\u0432\u044b\u0435 \u0444\u0438\u0448\u043a\u0438: batchNorm, dropout, \u043e\u043f\u0442\u0438\u043c\u0438\u0437\u0430\u0442\u043e\u0440\u044b \u0432\u0435\u0441\u043e\u0432 \u2014 adam, adagrad..;<\/li>\n<li>\u0434\u043b\u044f \u0440\u0430\u0441\u0447\u0435\u0442\u0430 \u043d\u0430 CPU \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u0442\u0441\u044f OpenBLAS, \u0434\u043b\u044f \u0432\u0438\u0434\u0435\u043e\u043a\u0430\u0440\u0442\u044b \u2014 CUDA\/cuDNN. \u0417\u0430\u043b\u043e\u0436\u0438\u043b \u0435\u0449\u0435 \u0440\u0435\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044e \u043d\u0430 OpenCL, \u043f\u043e\u043a\u0430 \u043d\u0430 \u0431\u0443\u0434\u0443\u0449\u0435\u0435;<\/li>\n<li>\u0434\u043b\u044f \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u0441\u043b\u043e\u044f \u0435\u0441\u0442\u044c \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u044c \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u043e \u0437\u0430\u0434\u0430\u0442\u044c \u043d\u0430 \u0447\u0435\u043c \u0441\u0447\u0438\u0442\u0430\u0442\u044c \u2014 CPU \u0438\u043b\u0438 GPU(\u0438 \u043a\u0430\u043a\u0430\u044f \u0438\u043c\u0435\u043d\u043d\u043e); <\/li>\n<li>\u0440\u0430\u0437\u043c\u0435\u0440 \u0432\u0445\u043e\u0434\u043d\u044b\u0445 \u0434\u0430\u043d\u043d\u044b\u0445 \u0436\u0435\u0441\u0442\u043a\u043e \u043d\u0435 \u0437\u0430\u0434\u0430\u0435\u0442\u0441\u044f, \u043c\u043e\u0436\u0435\u0442 \u043c\u0435\u043d\u044f\u0442\u044c\u0441\u044f \u0432 \u043f\u0440\u043e\u0446\u0435\u0441\u0441\u0435 \u0440\u0430\u0431\u043e\u0442\u044b\/\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f; <\/li>\n<li>\u0441\u0434\u0435\u043b\u0430\u043b \u0438\u043d\u0442\u0435\u0440\u0444\u0435\u0439\u0441\u044b \u0434\u043b\u044f C++ \u0438 Python. C# \u0442\u043e\u0436\u0435 \u0431\u0443\u0434\u0435\u0442 \u043f\u043e\u0437\u0436\u0435.<\/li>\n<\/ul>\n<p>  \u0411\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0443 \u043d\u0430\u0437\u0432\u0430\u043b \u00abSkyNet\u00bb. (\u0421\u043b\u043e\u0436\u043d\u043e \u0432\u0441\u0435 \u0441 \u0438\u043c\u0435\u043d\u0430\u043c\u0438, \u0434\u0440\u0443\u0433\u0438\u0435 \u0431\u044b\u043b\u0438 \u0432\u0430\u0440\u0438\u0430\u043d\u0442\u044b, \u043d\u043e \u0447\u0442\u043e-\u0442\u043e \u0432\u0441\u0435 \u043d\u0435 \u0442\u043e..)<\/p>\n<p>  C\u0440\u0430\u0432\u043d\u0435\u043d\u0438\u0435 \u0441 \u00abPyTorch\u00bb \u043d\u0430 \u043f\u0440\u0438\u043c\u0435\u0440\u0435 MNIST: <\/p>\n<p>  PyTorch: Accuracy: 98%, Time: 140 sec<br \/>  SkyNet: Accuracy: 95%, Time: 150 sec<\/p>\n<p>  \u041c\u0430\u0448\u0438\u043d\u0430: i5-2300, GF1060. <a href=\"https:\/\/github.com\/Tyill\/skynet\/tree\/master\/example\/mnist\/compare_PyTorch\">\u041a\u043e\u0434 \u0442\u0435\u0441\u0442\u0430. <\/a>  <\/p>\n<p>  <\/p>\n<p>  <\/p>\n<h3>\u0410\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430 \u041f\u041e<\/h3>\n<p>   <img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/webt\/tr\/la\/_c\/trla_cgwa2qpi9npoxwfduihjss.png\" width=\"700\" height=\"400\"><\/p>\n<p>  \u0412 \u043e\u0441\u043d\u043e\u0432\u0435 \u043b\u0435\u0436\u0438\u0442 \u0433\u0440\u0430\u0444 \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u0439, \u0441\u043e\u0437\u0434\u0430\u0435\u0442\u0441\u044f \u0434\u0438\u043d\u0430\u043c\u0438\u0447\u0435\u0441\u043a\u0438 \u043e\u0434\u0438\u043d \u0440\u0430\u0437 \u043f\u043e\u0441\u043b\u0435 \u0440\u0430\u0437\u0431\u043e\u0440\u0430 \u0441\u0442\u0440\u0443\u043a\u0442\u0443\u0440\u044b \u0441\u0435\u0442\u0438.<br \/>  \u041d\u0430 \u043a\u0430\u0436\u0434\u043e\u0435 \u0432\u0435\u0442\u0432\u043b\u0435\u043d\u0438\u0435 \u2014 \u043d\u043e\u0432\u044b\u0439 \u043f\u043e\u0442\u043e\u043a. \u041a\u0430\u0436\u0434\u044b\u0439 \u0443\u0437\u0435\u043b \u0441\u0435\u0442\u0438 (Node) \u2014 \u044d\u0442\u043e \u0441\u043b\u043e\u0439 \u0440\u0430\u0441\u0447\u0435\u0442\u0430.<\/p>\n<p>  \u0415\u0441\u0442\u044c \u043e\u0441\u043e\u0431\u0435\u043d\u043d\u043e\u0441\u0442\u0438 \u0440\u0430\u0431\u043e\u0442\u044b:   <\/p>\n<ul>\n<li>\u0444\u0443\u043d\u043a\u0446\u0438\u044f \u0430\u043a\u0442\u0438\u0432\u0430\u0446\u0438\u0438, \u043d\u043e\u0440\u043c\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044f \u043f\u043e \u0431\u0430\u0442\u0447\u0443, dropout \u2014 \u043e\u043d\u0438 \u0432\u0441\u0435 \u0440\u0435\u0430\u043b\u0438\u0437\u043e\u0432\u0430\u043d\u044b \u043a\u0430\u043a \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u044b \u043a\u043e\u043d\u043a\u0440\u0435\u0442\u043d\u044b\u0445 \u0441\u043b\u043e\u0435\u0432, \u0434\u0440\u0443\u0433\u0438\u043c\u0438 \u0441\u043b\u043e\u0432\u0430\u043c\u0438, \u044d\u0442\u0438 \u0444\u0443\u043d\u043a\u0446\u0438\u0438 \u043d\u0435 \u0441\u0443\u0449\u0435\u0441\u0442\u0432\u0443\u044e\u0442 \u043a\u0430\u043a \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u044b\u0435 \u0441\u043b\u043e\u0438. \u0412\u043e\u0437\u043c\u043e\u0436\u043d\u043e batchNorm \u0441\u0442\u043e\u0438\u0442 \u0432\u044b\u0434\u0435\u043b\u0438\u0442\u044c \u0432 \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u044b\u0439 \u0441\u043b\u043e\u0439, \u0432 \u0431\u0443\u0434\u0443\u0449\u0435\u043c; <\/li>\n<li>\u0444\u0443\u043d\u043a\u0446\u0438\u044f softMax \u0442\u0430\u043a \u0436\u0435 \u043d\u0435 \u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u044b\u043c \u0441\u043b\u043e\u0435\u043c, \u043e\u043d\u0430 \u043f\u0440\u0438\u043d\u0430\u0434\u043b\u0435\u0436\u0438\u0442 \u043a \u0441\u043f\u0435\u0446\u0438\u0430\u043b\u044c\u043d\u043e\u043c\u0443 \u0441\u043b\u043e\u044e \u00abLossFunction\u00bb. \u0412 \u043a\u043e\u0442\u043e\u0440\u043e\u043c \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u0442\u0441\u044f \u043f\u0440\u0438 \u0432\u044b\u0431\u043e\u0440\u0435 \u043a\u043e\u043d\u043a\u0440\u0435\u0442\u043d\u043e\u0433\u043e \u0442\u0438\u043f\u0430 \u0440\u0430\u0441\u0447\u0435\u0442\u0430 \u043e\u0448\u0438\u0431\u043a\u0438; <\/li>\n<li>\u0441\u043b\u043e\u0439 \u00abLossFunction\u00bb \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u0442\u0441\u044f \u0434\u043b\u044f \u0430\u0432\u0442\u043e\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u0433\u043e \u0440\u0430\u0441\u0447\u0435\u0442\u0430 \u043e\u0448\u0438\u0431\u043a\u0438, \u0442\u0435 \u044f\u0432\u043d\u043e \u043c\u043e\u0436\u043d\u043e \u043d\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u0448\u0430\u0433\u0438 forward\/backward (\u043d\u0438\u0436\u0435 \u043f\u0440\u0438\u043c\u0435\u0440 \u0440\u0430\u0431\u043e\u0442\u044b \u0441 \u044d\u0442\u0438\u043c \u0441\u043b\u043e\u0435\u043c);<\/li>\n<li>\u043d\u0435\u0442 \u0441\u043b\u043e\u044f \u00abFlatten\u00bb, \u043e\u043d \u043d\u0435 \u043d\u0443\u0436\u0435\u043d \u043f\u043e\u0441\u043a\u043e\u043b\u044c\u043a\u0443 \u0441\u043b\u043e\u0439 \u00abFullyConnect\u00bb \u0441\u0430\u043c \u0432\u044b\u0442\u044f\u0433\u0438\u0432\u0430\u0435\u0442 \u0432\u0445\u043e\u0434\u043d\u043e\u0439 \u043c\u0430\u0441\u0441\u0438\u0432;<\/li>\n<li>\u043e\u043f\u0442\u0438\u043c\u0438\u0437\u0430\u0442\u043e\u0440 \u0432\u0435\u0441\u043e\u0432 \u043d\u0443\u0436\u043d\u043e \u0437\u0430\u0434\u0430\u0432\u0430\u0442\u044c \u0434\u043b\u044f \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u0432\u0435\u0441\u043e\u0432\u043e\u0433\u043e \u0441\u043b\u043e\u044f, \u043f\u043e \u0443\u043c\u043e\u043b\u0447\u0430\u043d\u0438\u044e &#8216;adam&#8217; \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u0442\u0441\u044f \u0443 \u0432\u0441\u0435\u0445.<\/li>\n<\/ul>\n<h3>\u041f\u0440\u0438\u043c\u0435\u0440\u044b<\/h3>\n<p>  <\/p>\n<h4>MNIST<\/h4>\n<p>  <img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/webt\/ws\/2a\/q4\/ws2aq4ubw8slpu1rvmkzaeagpdq.jpeg\" width=\"600\" height=\"300\"><\/p>\n<div class=\"spoiler\"><b class=\"spoiler_title\">\u041a\u043e\u0434 \u043d\u0430 \u0421++ \u0432\u044b\u0433\u043b\u044f\u0434\u0438\u0442 \u0442\u0430\u043a:<\/b><\/p>\n<div class=\"spoiler_text\">\n<pre><code class=\"cpp\">  \/\/ \u0441\u043e\u0437\u0434\u0430\u043d\u0438\u0435 \u0441\u0435\u0442\u0438   sn::Net snet;            snet.addNode(\"Input\", sn::Input(), \"C1\")         .addNode(\"C1\", sn::Convolution(15, 0, sn::calcMode::CUDA), \"C2\")         .addNode(\"C2\", sn::Convolution(15, 0, sn::calcMode::CUDA), \"P1\")         .addNode(\"P1\", sn::Pooling(sn::calcMode::CUDA), \"FC1\")         .addNode(\"FC1\", sn::FullyConnected(128, sn::calcMode::CUDA), \"FC2\")         .addNode(\"FC2\", sn::FullyConnected(10, sn::calcMode::CUDA), \"LS\")         .addNode(\"LS\", sn::LossFunction(sn::lossType::softMaxToCrossEntropy),            \"Output\");        .............  \/\/ \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u0438\u0435-\u043f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043a\u0430 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439   \/\/ \u0446\u0438\u043a\u043b \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f  for (int k = 0; k &lt; 1000; ++k){          targetLayer.clear();                 srand(clock());                           \/\/ \u0437\u0430\u043f\u043e\u043b\u043d\u0435\u043d\u0438\u0435 \u0431\u0430\u0442\u0447\u0430         for (int i = 0; i &lt; batchSz; ++i){               .............          }                   \/\/ \u0432\u044b\u0437\u043e\u0432 \u043c\u0435\u0442\u043e\u0434\u0430 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0441\u0435\u0442\u0438          float accurat = 0;         snet.training(lr, inLayer, outLayer, targetLayer, accurat); } <\/code><\/pre>\n<p>  <\/div>\n<\/div>\n<p>  \u041f\u043e\u043b\u043d\u044b\u0439 \u043a\u043e\u0434 \u0434\u043e\u0441\u0442\u0443\u043f\u0435\u043d <a href=\"https:\/\/github.com\/Tyill\/skynet\/tree\/master\/example\/mnist\">\u0437\u0434\u0435\u0441\u044c<\/a>. \u041d\u0435\u043c\u043d\u043e\u0433\u043e \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a \u0434\u043e\u0431\u0430\u0432\u0438\u043b \u0432 \u0440\u0435\u043f\u043e\u0437\u0438\u0442\u043e\u0440\u0438\u0439, \u043d\u0430\u0445\u043e\u0434\u044f\u0442\u0441\u044f \u0440\u044f\u0434\u043e\u043c \u0441 \u043f\u0440\u0438\u043c\u0435\u0440\u043e\u043c. \u0414\u043b\u044f \u0447\u0442\u0435\u043d\u0438\u044f \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043b opencv, \u0432 \u043a\u043e\u043c\u043f\u043b\u0435\u043a\u0442 \u0435\u0435 \u043d\u0435 \u0432\u043a\u043b\u044e\u0447\u0430\u043b.<\/p>\n<p>  \u0415\u0449\u0435 \u043e\u0434\u043d\u0430 \u0441\u0435\u0442\u044c \u0442\u043e\u0433\u043e \u0436\u0435 \u043f\u043b\u0430\u043d\u0430, \u043f\u043e\u0441\u043b\u043e\u0436\u043d\u0435\u0435. <\/p>\n<p>  <img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/webt\/uu\/gv\/ge\/uugvge3bk3zddp_pqas0jpoqy7k.png\" width=\"600\" height=\"300\"><\/p>\n<div class=\"spoiler\"><b class=\"spoiler_title\">\u041a\u043e\u0434 \u0434\u043b\u044f \u0441\u043e\u0437\u0434\u0430\u043d\u0438\u044f \u0442\u0430\u043a\u043e\u0439 \u0441\u0435\u0442\u0438:<\/b><\/p>\n<div class=\"spoiler_text\">\n<pre><code class=\"cpp\">  \/\/ \u0441\u043e\u0437\u0434\u0430\u043d\u0438\u0435 \u0441\u0435\u0442\u0438   sn::Net snet;            snet.addNode(\"Input\", sn::Input(), \"C1 C2 C3\")         .addNode(\"C1\", sn::Convolution(15, 0, sn::calcMode::CUDA), \"P1\")         .addNode(\"P1\", sn::Pooling(sn::calcMode::CUDA), \"FC1\")         .addNode(\"C2\", sn::Convolution(12, 0, sn::calcMode::CUDA), \"P2\")         .addNode(\"P2\", sn::Pooling(sn::calcMode::CUDA), \"FC3\")         .addNode(\"C3\", sn::Convolution(12, 0, sn::calcMode::CUDA), \"P3\")         .addNode(\"P3\", sn::Pooling(sn::calcMode::CUDA), \"FC5\")          .addNode(\"FC1\", sn::FullyConnected(128, sn::calcMode::CUDA), \"FC2\")         .addNode(\"FC2\", sn::FullyConnected(10, sn::calcMode::CUDA), \"LS1\")         .addNode(\"LS1\", sn::LossFunction(sn::lossType::softMaxToCrossEntropy),            \"Summ\")                          .addNode(\"FC3\", sn::FullyConnected(128, sn::calcMode::CUDA), \"FC4\")         .addNode(\"FC4\", sn::FullyConnected(10, sn::calcMode::CUDA), \"LS2\")         .addNode(\"LS2\", sn::LossFunction(sn::lossType::softMaxToCrossEntropy),            \"Summ\")          .addNode(\"FC5\", sn::FullyConnected(128, sn::calcMode::CUDA), \"FC6\")         .addNode(\"FC6\", sn::FullyConnected(10, sn::calcMode::CUDA), \"LS3\")         .addNode(\"LS3\", sn::LossFunction(sn::lossType::softMaxToCrossEntropy),            \"Summ\")          .addNode(\"Summ\", sn::Summator(), \"Output\");        .............   <\/code><\/pre>\n<p>  <\/div>\n<\/div>\n<p>  \u0412 \u043f\u0440\u0438\u043c\u0435\u0440\u0430\u0445 \u0435\u0435 \u043d\u0435\u0442, \u043c\u043e\u0436\u0435\u0442\u0435 \u0441\u043a\u043e\u043f\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u043e\u0442\u0441\u044e\u0434\u0430.  <\/p>\n<div class=\"spoiler\"><b class=\"spoiler_title\">\u041d\u0430 Python \u043a\u043e\u0434 \u0432\u044b\u0433\u043b\u044f\u0434\u0438\u0442 \u0442\u0430\u043a\u0436\u0435.<\/b><\/p>\n<div class=\"spoiler_text\">\n<pre><code class=\"python\">  \/\/ \u0441\u043e\u0437\u0434\u0430\u043d\u0438\u0435 \u0441\u0435\u0442\u0438   snet = snNet.Net()           snet.addNode(\"Input\", Input(), \"C1 C2 C3\") \\         .addNode(\"C1\", Convolution(15, 0, calcMode.CUDA), \"P1\") \\         .addNode(\"P1\", Pooling(calcMode.CUDA), \"FC1\") \\         .addNode(\"C2\", Convolution(12, 0, calcMode.CUDA), \"P2\") \\         .addNode(\"P2\", Pooling(calcMode.CUDA), \"FC3\") \\         .addNode(\"C3\", Convolution(12, 0, calcMode.CUDA), \"P3\") \\         .addNode(\"P3\", Pooling(calcMode.CUDA), \"FC5\") \\         \\         .addNode(\"FC1\", FullyConnected(128, calcMode.CUDA), \"FC2\") \\         .addNode(\"FC2\", FullyConnected(10, calcMode.CUDA), \"LS1\") \\         .addNode(\"LS1\", LossFunction(lossType.softMaxToCrossEntropy), \"Summ\") \\          \\                .addNode(\"FC3\", FullyConnected(128, calcMode.CUDA), \"FC4\") \\         .addNode(\"FC4\", FullyConnected(10, calcMode.CUDA), \"LS2\") \\         .addNode(\"LS2\", LossFunction(lossType.softMaxToCrossEntropy), \"Summ\") \\         \\         .addNode(\"FC5\", FullyConnected(128, calcMode.CUDA), \"FC6\") \\         .addNode(\"FC6\", FullyConnected(10, calcMode.CUDA), \"LS3\") \\         .addNode(\"LS3\", LossFunction(lossType.softMaxToCrossEntropy), \"Summ\") \\         \\          .addNode(\"Summ\", LossFunction(lossType.softMaxToCrossEntropy), \"Output\")        .............   <\/code><\/pre>\n<p>  <\/div>\n<\/div>\n<h4>CIFAR-10<\/h4>\n<p>  <img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/webt\/nu\/aq\/pg\/nuaqpg1htotp-dd-cnm2dp0b-8o.png\" width=\"600\" height=\"300\"><br \/>  \u0417\u0434\u0435\u0441\u044c \u0443\u0436\u0435 \u043f\u0440\u0438\u0448\u043b\u043e\u0441\u044c \u0432\u043a\u043b\u044e\u0447\u0438\u0442\u044c batchNorm. \u042d\u0442\u0430 \u0441\u0435\u0442\u043a\u0430 \u0443\u0447\u0438\u0442\u0441\u044f \u0434\u043e 50% \u0442\u043e\u0447\u043d\u043e\u0441\u0442\u0438 \u0432 \u0442\u0435\u0447\u0435\u043d\u0438\u0438 1000 \u0438\u0442\u0435\u0440\u0430\u0446\u0438\u0439, batch 100.  <\/p>\n<div class=\"spoiler\"><b class=\"spoiler_title\">\u041a\u043e\u0434 \u0442\u0430\u043a\u043e\u0439 \u043f\u043e\u043b\u0443\u0447\u0438\u043b\u0441\u044f.<\/b><\/p>\n<div class=\"spoiler_text\">\n<pre><code class=\"cpp\">sn::Net snet;    snet.addNode(\"Input\", sn::Input(), \"C1\") .addNode(\"C1\", sn::Convolution(15, -1, sn::calcMode::CUDA, sn::batchNormType::beforeActive), \"C2\") .addNode(\"C2\", sn::Convolution(15, 0, sn::calcMode::CUDA, sn::batchNormType::beforeActive), \"P1\") .addNode(\"P1\", sn::Pooling(sn::calcMode::CUDA), \"C3\")       .addNode(\"C3\", sn::Convolution(25, -1, sn::calcMode::CUDA, sn::batchNormType::beforeActive), \"C4\") .addNode(\"C4\", sn::Convolution(25, 0, sn::calcMode::CUDA, sn::batchNormType::beforeActive), \"P2\") .addNode(\"P2\", sn::Pooling(sn::calcMode::CUDA), \"C5\")       .addNode(\"C5\", sn::Convolution(40, -1, sn::calcMode::CUDA, sn::batchNormType::beforeActive), \"C6\") .addNode(\"C6\", sn::Convolution(40, 0, sn::calcMode::CUDA, sn::batchNormType::beforeActive), \"P3\") .addNode(\"P3\", sn::Pooling(sn::calcMode::CUDA), \"FC1\")      .addNode(\"FC1\", sn::FullyConnected(2048, sn::calcMode::CUDA, sn::batchNormType::beforeActive), \"FC2\") .addNode(\"FC2\", sn::FullyConnected(128, sn::calcMode::CUDA, sn::batchNormType::beforeActive), \"FC3\") .addNode(\"FC3\", sn::FullyConnected(10, sn::calcMode::CUDA), \"LS\") .addNode(\"LS\", sn::LossFunction(sn::lossType::softMaxToCrossEntropy), \"Output\"); <\/code><\/pre>\n<p>  <\/div>\n<\/div>\n<p>  \u0414\u0443\u043c\u0430\u044e, \u043f\u043e\u043d\u044f\u0442\u043d\u043e, \u0447\u0442\u043e \u043c\u043e\u0436\u043d\u043e \u043f\u043e\u0434\u0441\u0442\u0430\u0432\u0438\u0442\u044c \u043b\u044e\u0431\u044b\u0435 \u043a\u043b\u0430\u0441\u0441\u044b \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a. <\/p>\n<p>  <\/p>\n<p>  <\/p>\n<h4>U-Net tyni<\/h4>\n<p>  \u041f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0439 \u043f\u0440\u0438\u043c\u0435\u0440. \u0423\u043f\u0440\u043e\u0441\u0442\u0438\u043b \u043d\u0430\u0442\u0438\u0432\u043d\u0443\u044e U-Net \u0434\u043b\u044f \u0434\u0435\u043c\u043e\u043d\u0441\u0442\u0440\u0430\u0446\u0438\u0438.<br \/>   <img decoding=\"async\" src=\"https:\/\/habrastorage.org\/webt\/kt\/rm\/em\/ktrmemfgc-vzluhnzarc4i9wamu.png\"><br \/>  \u0427\u0443\u0442\u044c \u043f\u043e\u044f\u0441\u043d\u044e: \u0441\u043b\u043e\u0438 DC1\u2026 \u2014 \u043e\u0431\u0440\u0430\u0442\u043d\u0430\u044f \u0441\u0432\u0435\u0440\u0442\u043a\u0430, \u0441\u043b\u043e\u0438 Concat1\u2026 \u2014 \u0441\u043b\u043e\u0438 \u0441\u043b\u043e\u0436\u0435\u043d\u0438\u044f \u043a\u0430\u043d\u0430\u043b\u043e\u0432, <br \/>  Rsz1\u2026 \u2014 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044e\u0442\u0441\u044f \u0434\u043b\u044f \u0441\u043e\u0433\u043b\u0430\u0441\u043e\u0432\u0430\u043d\u0438\u044f \u0447\u0438\u0441\u043b\u0430 \u043a\u0430\u043d\u0430\u043b\u043e\u0432 \u043d\u0430 \u043e\u0431\u0440\u0430\u0442\u043d\u043e\u043c \u0448\u0430\u0433\u0435, \u043f\u043e\u0441\u043a\u043e\u043b\u044c\u043a\u0443 \u0441\u043e \u0441\u043b\u043e\u044f Concat \u043e\u0431\u0440\u0430\u0442\u043d\u043e \u0438\u0434\u0435\u0442 \u043e\u0448\u0438\u0431\u043a\u0430 \u043f\u043e \u0441\u0443\u043c\u043c\u0435 \u043a\u0430\u043d\u0430\u043b\u043e\u0432.  <\/p>\n<div class=\"spoiler\"><b class=\"spoiler_title\">\u041a\u043e\u0434 \u043d\u0430 \u0421++.<\/b><\/p>\n<div class=\"spoiler_text\">\n<pre><code class=\"cpp\"> sn::Net snet;          snet.addNode(\"In\", sn::Input(), \"C1\")         .addNode(\"C1\", sn::Convolution(10, -1, sn::calcMode::CUDA), \"C2\")         .addNode(\"C2\", sn::Convolution(10, 0, sn::calcMode::CUDA), \"P1 Crop1\")         .addNode(\"Crop1\", sn::Crop(sn::rect(0, 0, 487, 487)), \"Rsz1\")         .addNode(\"Rsz1\", sn::Resize(sn::diap(0, 10), sn::diap(0, 10)), \"Conc1\")         .addNode(\"P1\", sn::Pooling(sn::calcMode::CUDA), \"C3\")          .addNode(\"C3\", sn::Convolution(10, -1, sn::calcMode::CUDA), \"C4\")         .addNode(\"C4\", sn::Convolution(10, 0, sn::calcMode::CUDA), \"P2 Crop2\")         .addNode(\"Crop2\", sn::Crop(sn::rect(0, 0, 247, 247)), \"Rsz2\")         .addNode(\"Rsz2\", sn::Resize(sn::diap(0, 10), sn::diap(0, 10)), \"Conc2\")         .addNode(\"P2\", sn::Pooling(sn::calcMode::CUDA), \"C5\")          .addNode(\"C5\", sn::Convolution(10, 0, sn::calcMode::CUDA), \"C6\")         .addNode(\"C6\", sn::Convolution(10, 0, sn::calcMode::CUDA), \"DC1\")         .addNode(\"DC1\", sn::Deconvolution(10, sn::calcMode::CUDA), \"Rsz3\")         .addNode(\"Rsz3\", sn::Resize(sn::diap(0, 10), sn::diap(10, 20)), \"Conc2\")          .addNode(\"Conc2\", sn::Concat(\"Rsz2 Rsz3\"), \"C7\")          .addNode(\"C7\", sn::Convolution(10, 0, sn::calcMode::CUDA), \"C8\")         .addNode(\"C8\", sn::Convolution(10, 0, sn::calcMode::CUDA), \"DC2\")         .addNode(\"DC2\", sn::Deconvolution(10, sn::calcMode::CUDA), \"Rsz4\")         .addNode(\"Rsz4\", sn::Resize(sn::diap(0, 10), sn::diap(10, 20)), \"Conc1\")          .addNode(\"Conc1\", sn::Concat(\"Rsz1 Rsz4\"), \"C9\")          .addNode(\"C9\", sn::Convolution(10, 0, sn::calcMode::CUDA), \"C10\");      sn::Convolution convOut(1, 0, sn::calcMode::CUDA);     convOut.act = sn::active::sigmoid;     snet.addNode(\"C10\", convOut, \"Output\"); <\/code><\/pre>\n<p>  <\/div>\n<\/div>\n<p>  \u041f\u043e\u043b\u043d\u044b\u0439 \u043a\u043e\u0434 \u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f \u043d\u0430\u0445\u043e\u0434\u044f\u0442\u0441\u044f <a href=\"https:\/\/github.com\/Tyill\/skynet\/tree\/master\/example\/unet\">\u0437\u0434\u0435\u0441\u044c<\/a>. <\/p>\n<p>  \u041c\u0430\u0442\u0435\u043c\u0430\u0442\u0438\u043a\u0430 \u0438\u0437 \u043e\u0442\u043a\u0440\u044b\u0442\u044b\u0445 \u0438\u0441\u0442\u043e\u0447\u043d\u0438\u043a\u043e\u0432 \u0442\u0438\u043f\u0430 <a href=\"http:\/\/cs231n.github.io\">\u044d\u0442\u043e\u0433\u043e<\/a>.<br \/>  \u0412\u0441\u0435 \u0441\u043b\u043e\u0438 \u0442\u0435\u0441\u0442\u0438\u0440\u043e\u0432\u0430\u043b \u043d\u0430 MNIST, \u044d\u0442\u0430\u043b\u043e\u043d\u043e\u043c \u043e\u0446\u0435\u043d\u043a\u0438 \u043e\u0448\u0438\u0431\u043a\u0438 \u0441\u043b\u0443\u0436\u0438\u043b TF.<\/p>\n<p>  <b>\u0427\u0442\u043e \u0434\u0430\u043b\u044c\u0448\u0435.<\/b><\/p>\n<p>  \u0411\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430 \u0432 \u0448\u0438\u0440\u0438\u043d\u0443 \u0440\u0430\u0441\u0442\u0438 \u043d\u0435 \u0431\u0443\u0434\u0435\u0442, \u0442\u043e \u0435\u0441\u0442\u044c \u043d\u0438\u043a\u0430\u043a\u0438\u0445 opencv, \u0441\u043e\u043a\u0435\u0442\u043e\u0432 \u0438 \u0442\u043f, \u0447\u0442\u043e\u0431\u044b \u043d\u0435 \u0440\u0430\u0437\u0434\u0443\u0432\u0430\u0442\u044c.<br \/>  \u0418\u043d\u0442\u0435\u0440\u0444\u0435\u0439\u0441 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0438 \u0438\u0437\u043c\u0435\u043d\u044f\u0442\u044c\u0441\u044f\/\u0440\u0430\u0441\u0448\u0438\u0440\u044f\u0442\u044c\u0441\u044f \u043d\u0435 \u0431\u0443\u0434\u0435\u0442, \u043d\u0435 \u0441\u043a\u0430\u0436\u0443 \u0447\u0442\u043e \u0432\u043e\u043e\u0431\u0449\u0435 \u0438 \u043d\u0438\u043a\u043e\u0433\u0434\u0430, \u043d\u043e \u0432 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u044e\u044e \u043e\u0447\u0435\u0440\u0435\u0434\u044c. <br \/>  \u0422\u043e\u043b\u044c\u043a\u043e \u0432 \u0433\u043b\u0443\u0431\u0438\u043d\u0443: \u0441\u0434\u0435\u043b\u0430\u044e \u0440\u0430\u0441\u0447\u0435\u0442 \u043d\u0430 OpenCL, \u0438\u043d\u0442\u0435\u0440\u0444\u0435\u0439\u0441 \u0434\u043b\u044f C#, RNN \u0441\u0435\u0442\u044c \u043c\u043e\u0436\u0435\u0442 \u0431\u044b\u0442\u044c\u2026<br \/>  MKL \u0434\u0443\u043c\u0430\u044e \u043d\u0435\u0442 \u0441\u043c\u044b\u0441\u043b\u0430 \u0434\u043e\u0431\u0430\u0432\u043b\u044f\u0442\u044c, \u043f\u043e\u0442\u043e\u043c\u0443 \u0447\u0442\u043e \u0447\u0443\u0442\u044c \u0433\u043b\u0443\u0431\u0436\u0435 \u0441\u0435\u0442\u044c \u2014 \u0431\u044b\u0441\u0442\u0440\u0435\u0435 \u0432\u0441\u0435 \u0440\u0430\u0432\u043d\u043e \u043d\u0430 \u0432\u0438\u0434\u0435\u043e\u043a\u0430\u0440\u0442\u0435, \u0438 \u043a\u0430\u0440\u0442\u0430 \u0441\u0440\u0435\u0434\u043d\u0435\u0439 \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u0438 \u043d\u0435 \u0434\u0435\u0444\u0438\u0446\u0438\u0442 \u0441\u043e\u0432\u0441\u0435\u043c.<br \/>  \u0418\u043c\u043f\u043e\u0440\u0442\/\u044d\u043a\u0441\u043f\u043e\u0440\u0442 \u0432\u0435\u0441\u043e\u0432 \u0441 \u0434\u0440\u0443\u0433\u0438\u043c\u0438 \u0444\u0440\u0435\u0439\u043c\u0432\u043e\u0440\u043a\u0430\u043c\u0438 \u2014 \u0447\u0435\u0440\u0435\u0437 Python (\u043f\u043e\u043a\u0430 \u043d\u0435 \u0440\u0435\u0430\u043b\u0438\u0437\u043e\u0432\u0430\u043d). Roadmap \u0431\u0443\u0434\u0435\u0442, \u0435\u0441\u043b\u0438 \u0438\u043d\u0442\u0435\u0440\u0435\u0441 \u0432\u043e\u0437\u043d\u0438\u043a\u043d\u0435\u0442 \u0443 \u043b\u044e\u0434\u0435\u0439.<\/p>\n<p>  \u041a\u0442\u043e \u043c\u043e\u0436\u0435\u0442 \u043f\u043e\u0434\u0434\u0435\u0440\u0436\u0430\u0442\u044c \u043a\u043e\u0434\u043e\u043c, \u043f\u0440\u043e\u0448\u0443. \u041d\u043e \u0435\u0441\u0442\u044c <a href=\"https:\/\/github.com\/Tyill\/skynet\/blob\/master\/CONTRIBUTING.md\">\u043e\u0433\u0440\u0430\u043d\u0438\u0447\u0435\u043d\u0438\u044f<\/a>, \u0447\u0442\u043e\u0431\u044b \u0442\u0435\u043a\u0443\u0449\u0443\u044e \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0443 \u043d\u0435 \u043f\u043e\u043b\u043e\u043c\u0430\u0442\u044c.<br \/>  \u0418\u043d\u0442\u0435\u0440\u0444\u0435\u0439\u0441 \u0434\u043b\u044f \u043f\u0438\u0442\u043e\u043d\u0430 \u043c\u043e\u0436\u0435\u0442\u0435 \u0440\u0430\u0441\u0448\u0438\u0440\u044f\u0442\u044c \u0434\u043e \u043d\u0435\u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u0438, \u0442\u0430\u043a \u0436\u0435 \u0434\u043e\u043a\u0438 \u0438 \u043f\u0440\u0438\u043c\u0435\u0440\u044b \u043d\u0443\u0436\u043d\u044b. <\/p>\n<p>  \u0414\u043b\u044f \u0443\u0441\u0442\u0430\u043d\u043e\u0432\u043a\u0438 \u0438\u0437 Python: <br \/>  * pip install libskynet \u2014 CPU<br \/>  * pip install libskynet-cu \u2014 CPU + CUDA9.2 <br \/>  * pip install libskynet-cudnn \u2014 CPU + cuDNN7.3.1<\/p>\n<p>  \u0415\u0441\u043b\u0438 \u0441\u0435\u0442\u044c \u0443 \u0432\u0430\u0441 \u043d\u0435 \u0433\u043b\u0443\u0431\u043e\u043a\u0430\u044f, \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0439\u0442\u0435 \u0440\u0435\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044e CPU + CUDA, \u043f\u0430\u043c\u044f\u0442\u0438 \u043f\u043e\u0442\u0440\u0435\u0431\u043b\u044f\u0435\u0442 \u043d\u0430 \u043f\u043e\u0440\u044f\u0434\u043a\u0438 \u043c\u0435\u043d\u044c\u0448\u0435 \u043f\u043e \u0441\u0440\u0430\u0432\u043d\u0435\u043d\u0438\u044e \u0441 cuDNN.<\/p>\n<p>  \u0420\u0443\u043a\u043e\u0432\u043e\u0434\u0441\u0442\u0432\u043e \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u044f <a href=\"https:\/\/github.com\/Tyill\/skynet\/wiki\">wiki. <\/a><\/p>\n<p>  <a href=\"https:\/\/github.com\/Tyill\/skynet\">\u041f\u041e \u0440\u0430\u0441\u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u044f\u0435\u0442\u0441\u044f \u0441\u0432\u043e\u0431\u043e\u0434\u043d\u043e, \u043b\u0438\u0446\u0435\u043d\u0437\u0438\u044f MIT. <\/a><\/p>\n<p>  \u0421\u043f\u0430\u0441\u0438\u0431\u043e.<\/p>\n<\/div>\n<p>        <script class=\"js-mediator-script\">!function(e){function t(t,n){if(!(n in e)){for(var r,a=e.document,i=a.scripts,o=i.length;o--;)if(-1!==i[o].src.indexOf(t)){r=i[o];break}if(!r){r=a.createElement(\"script\"),r.type=\"text\/javascript\",r.async=!0,r.defer=!0,r.src=t,r.charset=\"UTF-8\";var d=function(){var e=a.getElementsByTagName(\"script\")[0];e.parentNode.insertBefore(r,e)};\"[object Opera]\"==e.opera?a.addEventListener?a.addEventListener(\"DOMContentLoaded\",d,!1):e.attachEvent(\"onload\",d):d()}}}t(\"\/\/mediator.mail.ru\/script\/2820404\/\",\"_mediator\")}(window);<\/script>     <br \/> \u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438 <a href=\"https:\/\/habr.com\/post\/425717\/\"> https:\/\/habr.com\/post\/425717\/<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"\n<div class=\"post__text post__text-html js-mediator-article\">\u0412\u0441\u0435\u043c \u043f\u0440\u0438\u0432\u0435\u0442.<br \/>  \u041d\u0430\u043f\u0438\u0441\u0430\u043b \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0443 \u0434\u043b\u044f \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u043e\u0439 \u0441\u0435\u0442\u0438. \u041a\u043e\u043c\u0443 \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u043e, \u043f\u0440\u043e\u0448\u0443.    <\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[],"tags":[],"class_list":["post-290756","post","type-post","status-publish","format-standard","hentry"],"_links":{"self":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/290756","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=290756"}],"version-history":[{"count":0,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/290756\/revisions"}],"wp:attachment":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=290756"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=290756"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=290756"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}