# network

**Repository Path**: xiao_peipei/network

## Basic Information

- **Project Name**: network
- **Description**: 二维的神经网络框架，支持内存静态分配，可迁移嵌入式中，并提供一个手写数字识别例程。
- **Primary Language**: C
- **License**: MulanPSL-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-03-12
- **Last Updated**: 2026-03-12

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# C语言手搓神经网络框架，简洁易懂，十分容易上手

### 前言：
*如果你专注于神经网络框架，了解 nn.c,layer.c,loss.c,optimizer.c 即可；
但如果你想要移植到嵌入式芯片中，需要深入了解底层的内存和矩阵代码。*

### 简介：
**这是一个二维的神经网络框架，支持内存静态分配，可迁移嵌入式中。
提供一个手写数字识别例程，可以直接运行 ./mnist_example.exe。**

### 内存说明：
通过定义长数组作为内存池，定义三种内存，分别为静态内存，动态内存，外部内存
    
    静态内存：默认创建矩阵是静态内存，一旦创建，内存分配固定，不能释放空间，但能复用

    动态内存：创建临时矩阵，通过 pop弹出，用完就要弹出（否则函数嵌套出问题）

    外部内存：创建一个数组，指定这个数组的内容作为一个矩阵

静态内存是给神经网络参数使用，
动态内存则是矩阵计算过程中的临时矩阵，用完需要手动释放。
外部内存，用来加载外部数据，将外部数组转换为矩阵

矩阵删除：
    外部内存矩阵可以删除，静态内存矩阵不能删除，可以复用，
    动态内存矩阵通过 pop 操作释放

![alt text](./pic/image.png)

### 网络架构：
    第4层 (网络层)    
        nn.h, nn.c
        nn_config.h (配置第3、4层)
            ↓
    第3层 (层/损失/优化器)
        layer.h, layer.c
        loss.h, loss.c
        optimizer.h, optimizer.c
            ↓
    第2层 (矩阵操作)
        matrix.h, matrix.c
            ↓
    第1层 (内存管理)
        matrix_memory.h, matrix_memory.c  (含调试宏，配置第1、2层)

### 使用：
	1、调用 nn.h , 并初始化内存。
		matrix_memory.h 宏定义配置内存大小，释放开启矩阵计算的调试模式
		nn_config.h	宏定义指定开启神经网络调试模式
		（调试成熟后，可关闭调试模式）
	2、加载数据，指定为外部内存矩阵 （矩阵 行：数据数量，列：特征向量数量）
	3、搭建神经网络，添加层是有顺序的，必须按顺序添加
			可以调用如下函数查看网络框架和内存信息
		    network_summary(net);       // 查看网络框架
    		network_layer_memory_info(net);   // 查看内存信息
	4、训练并保存参数
	5、释放空间


### 二次开发注意事项：
	layer.c 中 backward 和 forward 中必须设置输出矩阵的维度
	loss.c  中 backward 中必须设置输出矩阵的维度
	动态内存采用堆栈结构，用完需要pop，弹出有先后顺序


### 例程编译：

	gcc -o mnist_example nn.c layer.c loss.c optimizer.c matrix.c matrix_memory.c mnist_example.c -lm -I.

	生成 mnist_example.exe 文件后 ./mnist_example.exe 执行

### 搭建网络示意

    Optimizer *opt = sgd_create(0.01);          // 创建优化器
    NeuralNetwork *net = network_create(opt);   // 创建网络

    // 添加层（按顺序）
    network_add_layer(net, dense_create(784, 128, 0.0, 0.0));
    network_add_layer(net, relu_create());
    network_add_layer(net, dense_create(128, 64, 0.0, 0.0));
    network_add_layer(net, relu_create());
    network_add_layer(net, dense_create(64, 10, 0.0, 0.0));
    network_add_layer(net, logsoftmax_create());

    // 查看网络结构
    network_summary(net);
    network_layer_memory_info(net);   // 查看内存占用预估

    // 训练
    LossFunction *loss_fn = nll_loss_create(); // 选择损失函数
    train(net, X, Y, loss_fn, epochs, batch_size, verbose); 

    // 参数保存与加载
    save_parameters(net, "model.bin");
    load_parameters(net, "model.bin");

cmd 输出示意：
![alt text](./pic/image1.png)