Convolutional layers working w/ matrices

Joseph Redmon

2014-01-29 f7a17f82eb43de864a4f980f235055da9685eef8

 src/network.c

@@ -21,7 +21,7 @@
    return net;
}

void forward_network(network net, double *input)
void forward_network(network net, float *input)
{
    int i;
    for(i = 0; i < net.n; ++i){
@@ -48,7 +48,7 @@
    }
}

void update_network(network net, double step, double momentum, double decay)
void update_network(network net, float step, float momentum, float decay)
{
    int i;
    for(i = 0; i < net.n; ++i){
@@ -69,7 +69,7 @@
    }
}

double *get_network_output_layer(network net, int i)
float *get_network_output_layer(network net, int i)
{
    if(net.types[i] == CONVOLUTIONAL){
        convolutional_layer layer = *(convolutional_layer *)net.layers[i];
@@ -86,12 +86,12 @@
    }
    return 0;
}
double *get_network_output(network net)
float *get_network_output(network net)
{
    return get_network_output_layer(net, net.n-1);
}

double *get_network_delta_layer(network net, int i)
float *get_network_delta_layer(network net, int i)
{
    if(net.types[i] == CONVOLUTIONAL){
        convolutional_layer layer = *(convolutional_layer *)net.layers[i];
@@ -109,16 +109,16 @@
    return 0;
}

double *get_network_delta(network net)
float *get_network_delta(network net)
{
    return get_network_delta_layer(net, net.n-1);
}

double calculate_error_network(network net, double *truth)
float calculate_error_network(network net, float *truth)
{
    double sum = 0;
    double *delta = get_network_delta(net);
    double *out = get_network_output(net);
    float sum = 0;
    float *delta = get_network_delta(net);
    float *out = get_network_output(net);
    int i, k = get_network_output_size(net);
    for(i = 0; i < k; ++i){
        delta[i] = truth[i] - out[i];
@@ -129,17 +129,17 @@

int get_predicted_class_network(network net)
{
    double *out = get_network_output(net);
    float *out = get_network_output(net);
    int k = get_network_output_size(net);
    return max_index(out, k);
}

double backward_network(network net, double *input, double *truth)
float backward_network(network net, float *input, float *truth)
{
    double error = calculate_error_network(net, truth);
    float error = calculate_error_network(net, truth);
    int i;
    double *prev_input;
    double *prev_delta;
    float *prev_input;
    float *prev_delta;
    for(i = net.n-1; i >= 0; --i){
        if(i == 0){
            prev_input = input;
@@ -152,7 +152,7 @@
            convolutional_layer layer = *(convolutional_layer *)net.layers[i];
            learn_convolutional_layer(layer);
            //learn_convolutional_layer(layer);
            //if(i != 0) backward_convolutional_layer(layer, prev_input, prev_delta);
            if(i != 0) backward_convolutional_layer(layer, prev_delta);
        }
        else if(net.types[i] == MAXPOOL){
            maxpool_layer layer = *(maxpool_layer *)net.layers[i];
@@ -171,49 +171,49 @@
    return error;
}

double train_network_datum(network net, double *x, double *y, double step, double momentum, double decay)
float train_network_datum(network net, float *x, float *y, float step, float momentum, float decay)
{
        forward_network(net, x);
        int class = get_predicted_class_network(net);
        double error = backward_network(net, x, y);
        float error = backward_network(net, x, y);
        update_network(net, step, momentum, decay);
        //return (y[class]?1:0);
        return error;
}

double train_network_sgd(network net, data d, int n, double step, double momentum,double decay)
float train_network_sgd(network net, data d, int n, float step, float momentum,float decay)
{
    int i;
    double error = 0;
    float error = 0;
    for(i = 0; i < n; ++i){
        int index = rand()%d.X.rows;
        error += train_network_datum(net, d.X.vals[index], d.y.vals[index], step, momentum, decay);
        //if((i+1)%10 == 0){
        //    printf("%d: %f\n", (i+1), (double)correct/(i+1));
        //    printf("%d: %f\n", (i+1), (float)correct/(i+1));
        //}
    }
    return error/n;
}
double train_network_batch(network net, data d, int n, double step, double momentum,double decay)
float train_network_batch(network net, data d, int n, float step, float momentum,float decay)
{
    int i;
    int correct = 0;
    for(i = 0; i < n; ++i){
        int index = rand()%d.X.rows;
        double *x = d.X.vals[index];
        double *y = d.y.vals[index];
        float *x = d.X.vals[index];
        float *y = d.y.vals[index];
        forward_network(net, x);
        int class = get_predicted_class_network(net);
        backward_network(net, x, y);
        correct += (y[class]?1:0);
    }
    update_network(net, step, momentum, decay);
    return (double)correct/n;
    return (float)correct/n;

}


void train_network(network net, data d, double step, double momentum, double decay)
void train_network(network net, data d, float step, float momentum, float decay)
{
    int i;
    int correct = 0;
@@ -226,7 +226,7 @@
    }
    visualize_network(net);
    cvWaitKey(100);
    printf("Accuracy: %f\n", (double)correct/d.X.rows);
    printf("Accuracy: %f\n", (float)correct/d.X.rows);
}

int get_network_output_size_layer(network net, int i)
@@ -294,10 +294,10 @@
    } 
}

double *network_predict(network net, double *input)
float *network_predict(network net, float *input)
{
    forward_network(net, input);
    double *out = get_network_output(net);
    float *out = get_network_output(net);
    return out;
}

@@ -307,7 +307,7 @@
    int k = get_network_output_size(net);
    matrix pred = make_matrix(test.X.rows, k);
    for(i = 0; i < test.X.rows; ++i){
        double *out = network_predict(net, test.X.vals[i]);
        float *out = network_predict(net, test.X.vals[i]);
        for(j = 0; j < k; ++j){
            pred.vals[i][j] = out[j];
        }
@@ -319,7 +319,7 @@
{
    int i,j;
    for(i = 0; i < net.n; ++i){
        double *output = 0;
        float *output = 0;
        int n = 0;
        if(net.types[i] == CONVOLUTIONAL){
            convolutional_layer layer = *(convolutional_layer *)net.layers[i];
@@ -343,8 +343,8 @@
            output = layer.output;
            n = layer.inputs;
        }
        double mean = mean_array(output, n);
        double vari = variance_array(output, n);
        float mean = mean_array(output, n);
        float vari = variance_array(output, n);
        fprintf(stderr, "Layer %d - Mean: %f, Variance: %f\n",i,mean, vari);
        if(n > 100) n = 100;
        for(j = 0; j < n; ++j) fprintf(stderr, "%f, ", output[j]);
@@ -353,10 +353,10 @@
    }
}

double network_accuracy(network net, data d)
float network_accuracy(network net, data d)
{
    matrix guess = network_predict_data(net, d);
    double acc = matrix_accuracy(d.y, guess);
    float acc = matrix_accuracy(d.y, guess);
    free_matrix(guess);
    return acc;
}