C++实战：从零构建卷积神经网络(CNN)的完整指南

1次阅读

没有评论

共计 2271 个字符，预计需要花费 6 分钟才能阅读完成。

卷积神经网络在图像识别、分类任务中表现卓越，而 C ++ 实现相比 Python 有以下优势：

性能优势：直接内存操作和编译器优化带来 5 -10 倍速度提升
部署便利：可编译为独立可执行文件，无需 Python 环境
资源控制：精准管理内存，适合嵌入式设备

但要注意：

开发效率低于 Python（需手动实现自动微分）
生态工具较少（需自行处理数据加载等）

卷积运算本质是局部加权求和：

$$S(i,j) = (I * K)(i,j) = \sum_m \sum_n I(i+m, j+n) K(m, n)$$

边界处理策略：

// 零填充实现示例
Matrix pad(const Matrix& input, int padding) {Matrix output(input.rows()+2*padding, input.cols()+2*padding);
    output.block(padding, padding, input.rows(), input.cols()) = input;
    return output;
}

多通道卷积：

// 3 通道卷积核应用
for (int c = 0; c < input_channels; ++c) {output += convolve2d(input[c], kernel[c]);
}

class ReLU {
public:
    Matrix forward(const Matrix& x) {return x.unaryExpr([](float v) {return std::max(0.0f, v); 
        });
    }
};

Matrix max_pool(const Matrix& input, int pool_size) {Matrix output(input.rows()/pool_size, input.cols()/pool_size);
    for (int i = 0; i < output.rows(); ++i) {for (int j = 0; j < output.cols(); ++j) {output(i,j) = input.block(i*pool_size, j*pool_size, pool_size, pool_size).maxCoeff();}
    }
    return output;
}

始终使用行优先存储（Eigen 默认）
避免转置操作，保持数据连续访问

// AVX2 指令实现向量化乘加
#include <immintrin.h>
void simd_convolution(float* input, float* kernel, float* output) {__m256 sum = _mm256_setzero_ps();
    for (int i = 0; i < kernel_size; i += 8) {__m256 a = _mm256_load_ps(input + i);
        __m256 b = _mm256_load_ps(kernel + i);
        sum = _mm256_fmadd_ps(a, b, sum);
    }
    *output = _mm256_reduce_add_ps(sum);
}

cmake_minimum_required(VERSION 3.10)
project(cnn_cpp)

find_package(Eigen3 REQUIRED)

add_executable(mnist
    src/main.cpp
    src/layers.cpp
)

target_link_libraries(mnist Eigen3::Eigen)

// 读取 MNIST 数据
auto images = read_mnist_images("train-images-idx3-ubyte");
auto labels = read_mnist_labels("train-labels-idx1-ubyte");

// 归一化处理
images = images.unaryExpr([](unsigned char v) {return static_cast<float>(v) / 255.0f; 
});

实现方式	单图推理时间(ms)
朴素实现	12.4
SIMD 优化	3.2
多线程(4 核)	1.8

优化原则：

优先保证内存连续访问
小矩阵运算使用 Eigen 的 Map 避免拷贝
并行化最外层循环

// 简易模型保存
void save_model(const Model& model, const std::string& path) {std::ofstream file(path, std::ios::binary);
    for (const auto& param : model.parameters()) {file.write(reinterpret_cast<const char*>(param.data()), 
                  param.size() * sizeof(float));
    }
}