CeNiN

c e n i n （土耳其语中的“胎儿”是最小的，是纯C＃中深c倒转n eural n etworks的馈送阶段的最低实现。它不需要任何第三方库，可以在.NET支持的所有编程语言中使用。

如果您在工作中使用它，则可以引用下面的论文：

Atasoy，H。＆Kutlu，Y。（2025）。 CNNFET：卷积神经网络功能提取工具。 SoftwareX，30，102088。https：//doi.org/10.1016/j.softx.2025.102088

有两个示例说明了如何在C＃和VB.NET中使用CeNiN 。您可以在这里找到另一个（ Imagetagger ）。

您还可以查看CNNFET-卷积神经网络功能提取工具，该应用程序是利用CeNiN使用CNN从图像中提取功能的应用程序。

预验证的模型

您可以下载两种验证的CeNiN型号。这些实际上是牛津视觉几何组的两个VGG模型。这些模型的参数存储在“ CeNiN ”文件中，这些文件允许在.NET框架下快速将数百万参数加载到内存中。

Imagenet-MatConvnet-VGG-F。 CeNiN （19层，60824256重量，232MB）
Imagenet-vgg-very-deep-16。 CeNiN （37层，138344128重量，528MB）

表现

最耗时的层是卷积层。其他层足够快，没有额外的优化。
以下是从ImageNet-MatConvnet-VGG-F中传递图像的时间。 CeNiN上的Intel Core i7-6500U 2.50GHz CPU和8GB RAM：
conv_1 ： 7548 ms-第一个也是最简单的实现
Conv_2 ： 6763 MS-我使用了Nvidia论文中解释的方法（不，不使用GPU：D）。由于我在张量类中使用的索引方法，它的速度并不比第一个快得多。
conv_3 ： 1975 ms-与conv_2相同，但是这次在索引时使用非重复乘法。
CONS ： 1031 MS-此和Conv_3之间的唯一区别是并行化。这仅比多核CPU上的conv_3快。更快的广义矩阵乘法方法可以使其更快…
conv （usecblas = true）： 151毫秒 – 带有blas支持

英特尔MKL支持（26/05/2019）

从0.2版开始， CeNiN支持使用Intel MKL库来加快矩阵乘法，如果以下文件与CeNiN .dll相同的文件夹中可用：

mkl_rt.dll
mkl_intel_thread.dll
mkl_core.dll
libiomp5md.dll
mkl_def.dll
mkl_avx.dll
mkl_avx2.dll
mkl_avx512.dll
mkl_mc.dll
mkl_mc3.dll

这些文件可以在“？：\\ program文件（x86）\\ intelswtools \\ compilers_and_libraries_2019.3.203 \\ Windows \\ redist \\ redist \\ intel64_win \\ mkl”中，从此链接中安装了Intel®MathKernel库后。

OpenBlas支持（12/05/2020）

从0.3版开始， CeNiN支持使用OpenBlas库来加快矩阵乘法，如果以下文件与CeNiN .Dll相同的文件夹中可用：

OpenBlas.dll
libquadmath-0.dll
libgfortran-3.dll
libgcc_s_seh-1.dll

预编译的OpenBlas库及其依赖项可以在此处找到。将DLL提取到与CeNiN .dll相同的文件夹中使用它们。

训练自己的模型

由于尚未实现反向传播，因此您无法使用此库训练模型。但是，如果您有训练有素的模型或想用另一个工具（例如Matconvnet）训练模型，则可以轻松地将训练有素的模型转换为CeNiN文件。 CeNiN文件结构如下所示。但是有一些局限性，因为该实施尽可能最小。（实施层：卷积，池（仅最大池），relu，softmax）

实施新层类型

您可以实现新图层类型继承图层类。在所有层类型中，层的结构很简单，并且相同。新类型需要以下三个实现：

一个构造函数，该构造函数（如果需要）（如果需要）填充和/或步幅参数）
如果输入和输出张量的尺寸不同，则实现setOutputDims（）函数。如果它们相同，则此功能在图层类中具有默认的插入。
实现FeedNext（）函数。此函数应以呼叫访问tensormeMalloc（）的呼叫开始，并以呼叫disposeInputTensor（）结尾。

请注意，任何一层都没有输出张量定义。每一层的输入用作上一层的输出。

还请注意，需要填充的张量在填充之前会填充它们，以防止克隆记忆区域引起的性能降低。因此，应首选WriteNextLayerInput（）写当前层的输出，尤其是在下一层的左或顶填充值不为零的情况下。这是唯一在将数据写入下一层的输入张量时负责填充的唯一功能…

此外，您可以找到一些在实现新层类型时可能有用的功能和操作器定义，在Tensor.cs中：

张量重塑，
张量 *张量（仅适用于等级-2张量；广义矩阵乘法），，
张量 *浮动，
张量 +张量，张量 – 张量，
张量 +浮子，张量 – 浮子
广播的添加（仅适用于等级-1张量）

。 CeNiN文件格式

此文件格式是结构化的，因此可以在.NET Framework下使用BinaryReader类的读取。该结构如下（新行是用于表示形式， CeNiN文件中没有新行。[]和{}也用于表示数据和类型）：

CeNiN NEURAL NETWORK FILE {string without an ending null char}
[LayerCount] {1 x int32}
[InputSize] {3 x int32}
[AveragePixel] {3 x float}
For each layer in network:
[LayerTypeStringLength] {1 x byte (7-bit encoded int)}
[LayerType] {string}
[LayerParams] {different numbers of parameters in different orders, please see CNN() constructor in CNN.cs}
EOF {string without an ending null char}\”>

 CeNiN NEURAL NETWORK FILE   {string without an ending null char}
[LayerCount]                {1 x int32}
[InputSize]                 {3 x int32}
[AveragePixel]              {3 x float}
For each layer in network:
[LayerTypeStringLength]     {1 x byte (7-bit encoded int)}
[LayerType]                 {string}
[LayerParams]               {different numbers of parameters in different orders, please see CNN() constructor in CNN.cs}
EOF                         {string without an ending null char}

VGG2 CeNiN

在/src/Converter（14/05/2019）下，添加了将VGG格式转换为CeNiN格式的MATLAB函数（VGG2 CeNiN ）。

链接

提出更快卷积方法的论文（ Conv_2 ， Conv_3和Conv中）：
https://**ar*xiv.org/abs/1410.0759
预审计的模型（用于矩形）：
http://www.vl*fe**at.org/matconvnet/pretrataining/
视觉几何组（VGG）
http://www.robots.**o*x.ac.uk/~vgg/
我在Inputlayer中使用的方法快速读取位图[在土耳其语]：
http://www.a*tas*oy*web.net/bitmapleri-net-catisi-altinda-hizlica-isleme
我有关此图书馆的博客文章[土耳其语]：
http://www.a*tas*oy*web.net/cenin-konvolusyonel-yapay-sinir-agi-kutuphanesi
我关于Blas [土耳其语]的博客文章：
http://www.ataso*yw*e*b.net/matlab-in-sihirli-degnegi-blas