LabVIEW/C++深度学习开源库

Scadao

LabVIEW/C++深度学习开源库

LabVIEW/C++深度学习库

LabVIEW中的深度学习库。基于C++的正向神经网络实现。
编译需要Eigen库版本V3.3.5。使用VisualStudio 2015 C++编译。

当前支持的库：

1. 多特征卷积层
2. 多特征反卷积层
3. 全连接层
4. 输出层
5. 最大池化层
6. 传递层（应用一些元素函数）
7. 混合全连接层（可能概率分布输出值）
9. 网络之间的层共享
10. 侧通道层（向网络上游输入其他数据）
11. Vanilla & Wasserstein GAN训练函数

具有三种不同的非线性 ReLu、Tanh 和 Sigmoid（每一层可能不同）。
梯度下降在小批量中执行，有几种方法可用：

1. 基于动量的下降（Nesterov的加速梯度目前因技术原因被注释掉）。
2. RMSprop
3. ADAM

此外，该库提供了两种规范化模式，无论梯度步进方案如何，都可以使用。

1. 权重正则化
2. 光谱归一化

所有方法都可以在训练期间动态打开和关闭。训练期间始终可以更改所有超参数。

目前，我将其应用于"逆全息术"。下面将对此进行更多介绍。

HoloNet - 教会神经网络如何做全息

在我的研究中，我需要能够在全息光学钳位设置中创建复杂的光模式（例如，参见动态全息光学钳位，Curtis等人，2002年）。我的设置具有所谓的空间光调制器（SLM），本质上是一个液晶屏幕，800x600像素。每个像素可以推进或延迟进入激光束的相位。从理论上讲，这应该允许我以我想要的任何方式塑造光束。实际上，我需要知道应该为此 SLM 的每个像素分配哪个值来创建该特定光束形状。

这不是一个简单的问题。事实上，它的不平凡，有关于它的学术部落（总是存在）。

我认为深度学习可能是解决这个问题的一个方法。我们应该能够训练一个神经网络的正向问题（全息图强度）。反问题是下面进一步描述的一个正在进行的项目。

从数学上讲，我们希望在网络上训练的正向变换是一个非线性矩阵到矩阵的问题。我们的图像只有强度，因此没有额外的颜色通道。SLM 在光束上传递的变换不能以任何分析形式写下来，即使有可能，也需要对设置几何知识的精确了解。

下图应会给您一个转变的印象。你会看到全息图的图片，有很多条纹图案（左）和相应的激光光强度场的图片（右），这可以是相当不错的看。
(请见原始文档链接)