旨在开发一套简单、高效、灵活、易用、易扩展的，而且更适合于中国人学习、使用的机器学习工具集，现包含：W2V、神经网络

一、添加图节点方法：添加图节点使用如下统一接口： 计算图对象->addNode(节点名, 图节点类型, 参数, 输入, 初始值, ...); 其中【计算图对象】可省略，这时将添加到默认计算图，也就是使用如下接口： addNode(节点名, 图节点类型, 参数, 输入, 初始值, ...); 参数说明： 节点名：所要添加的节点名称，字符串类型 图节点类型：所添加的图节点类型，枚举类型（具体类型见下文） 参数：所添加节点参数，字符串类型，可以使用C语言占位符（比如%d，%s等），将具体参数写到【初始值】后面即可 输入：所添加节点的输入的节点名，比如对于二维卷积（Conv2d）节点来说就需要输入图像数据和卷积核，字符串类型，多个输入用逗号分隔（输入节点也可以在参数中使用【输入】参数来设置） 初始值：只用于已初始化（InitVal）类型节点设置初始值 举例： addNode("输入图像", Random, "尺寸:1,100,100,3;标准差:0.1"); //添加一个叫【输入图像】的标准差为0.1的随机数节点，尺寸为[1,100,100,3] addNode("卷积核", Random, "尺寸:6,5,5,3;标准差:0.1"); //添加一个叫【卷积核】的标准差为0.1的随机数节点，尺寸为[6,5,5,3] addNode("偏置", FixedVal, "尺寸:6;值：0.1"); //添加一个叫【偏置】的固定值为0.1的节点，尺寸为[6] addNode("卷积", Conv2d, "补白:是;步长:1,1", "输入图像,卷积核,偏置"); //添加一个叫【卷积】的节点，输入为【输入图像,卷积核,偏置】三个节点 这样就可以创建一个计算卷积的计算图了 【参数】中的多个参数使用分号分隔（顺序可以随便写），单个参数的结构为【参数名：参数值】，参数值有多个的时候使用逗号分隔，这里的分隔符可以使用英文的也可以使用中文符号 【优化/不优化】为所有节点的共同参数，值可以为【是/否/y/Y/n/N】，如果不优化为真则训练的时候将不会对其进行训练 【数据类型】现在只支持32位浮点数，也就是float类型 参数名暂时没有做英文版本 另外，添加完图节点还可以直接调用printShape()方法打印尺寸（初始化之后还可以直接调用printData方法打印数据），比如： addNode("卷积", Conv2d, "补白:是;步长:1,1", "输入图像,卷积核,偏置")->printShape(); 二、执行器 执行器使用new Actuator();进行创建，执行器可以有3个参数： 1、线程数（默认-1，这时将根据机器实际情况进行设置） 2、计算设备集，当前只支持CPU 3、缓存字节数，默认500MB 执行器使用方法：执行器主要有3组方法： 1、为待输入类型节点设置数据，该组有三个方法 a：setInputData(GraphNode *node, void *data, int batchNum = -1); b：setInputData(CalGraph *graph, const char *nodeName, void *data, int batchNum = -1); c：setInputData(const char *nodeName, void *data, int batchNum = -1); 每个方法的最后两个参数都是【数据】和【数据的批量】（对于固定批量节点来说这里可以用-1），除这两个参数之外前面的参数是用于设置所要计算的节点， 首先可以直接传入节点（接口a，addNode方法的返回值就是节点类型） 也可以传入计算图和节点的名字（接口b） 还可以只传入节点的名字（接口c）这时候将在默认图中查找相应节点 2、计算节点，该组也有三个方法： cal(GraphNode *node); cal(CalGraph *graph, const char *nodeName); cal(const char *nodeName); 参数含义与设置数据类似 3、训练模型，该组只有一个方法： train(Trainer *_trainer); 参数为训练器 三、训练器 目前只支持梯度下降和adam两个最常用的训练器，创建方法如下： 1、梯度下降训练器： GradientDescentTrainer(GraphNode *targetNode, float alpha, bool minimize = true); GradientDescentTrainer(CalGraph *graph, const char *nodeName, float alpha, bool minimize = true); GradientDescentTrainer(const char *nodeName, float alpha, bool minimize = true); alpha参数用于指定学习率，minimize用于指定训练方向（默认true表示向小的方向训练，false表示向大的方向训练） 其他参数可参考【二、执行器】的设置数据 2、adam训练器： AdamTrainer(GraphNode *targetNode, float alpha = 0.001, float beta1 = 0.9, float beta2 = 0.999, float epsilon = 1e-8, bool minimize = true); AdamTrainer(CalGraph *graph, const char *nodeName, float alpha = 0.001, float beta1 = 0.9, float beta2 = 0.999, float epsilon = 1e-8, bool minimize = true); AdamTrainer(const char *nodeName, float alpha = 0.001, float beta1 = 0.9, float beta2 = 0.999, float epsilon = 1e-8, bool minimize = true); beta1、beta2和epsilon见adam算法，其他参数同【梯度下降训练器】 四、保存、加载模型数据 1、保存模型数据： 计算图对象->saveData(const char *fileName, int index = 0); 其中【计算图对象】可省略，这时将使用默认计算图，也就是使用如下接口： saveData(const char *fileName, int index = 0); 参数用于指定保存模型文件名，实际保存数据文件名为：fileName-index.hzdata，使用index参数主要是为了可以方便保存多套模型数据 2、加载模型数 计算图对象->loadData(const char *fileName, int index = 0); 其中【计算图对象】可省略，这时将使用默认计算图，参数同saveData 五、图节点：当前共包含28种类型图节点 1、FileData：文件数据节点，可以直接加载文件的数据，需要有【尺寸】和【文件】两个参数，【文件】用于指定文件名，而且也可以指定偏移量，比如： addNode("原数据", FileData, "尺寸:6;文件：模型数据.data:80"); 这时候将往默认的计算图中添加一个叫【原数据】的节点，节点的数据将默认加载保存在【模型数据.data】文件中从第80字节开始的6个数据 2、FixedVal：定值节点，该节点将使用单个值进行初始化，需要包含【尺寸】和【值】两个参数，【值】用于指定初始化的值 3、InitVal：已初始化节点，该节点的初始值从外部传入，需要包含【尺寸】参数，具体值通过addNode的第5个参数传入 4、Random：随机数节点，该节点将使用正态分布随机数进行初始化，需要包含【尺寸】参数，可选参数有【均值】（默认0）、【标准差】（默认1）、【随机种子/种子】（默认使用time(NULL)）和【截断范围】 其中【截断范围】（默认3）用于指定随机数中与均值最大距离为标准差的多少倍，比如均值为0，标准差为1，截断范围为3，那么生成的随机数将在[0-1*3, 0+1*3]，也就是[-3, 3]范围内 5、WaitInput：待输入节点，实际数据需要在计算前进行设置，需要包含【尺寸】参数，【尺寸】的顶层维度若小于等于0则表示批量可变，否则表示批量固定不可变 6、Conv2d：二维卷积节点，用于计算二维卷积，需要在addNode的第4个参数设置输入节点，输入节点为两个或三个，第一个为输入数据（比如图像数据），第二个为卷积核，第三个为偏置（可选） 输入数据和卷积核都是四维，偏置为一维，输入数据结构为：批量、高度、宽度、深度，卷积核结构为：输出深度、高度、宽度、输入深度 可选参数有：【步长】和【补白】，【步长】为二维，分别表示卷积计算中的步长高和步长宽（默认都为1），【补白】用于设置是否对原图像进行0扩展，若值为【是/Y/y】表示进行0扩展 7、RL：RL节点，进行RL计算，需要设置输入节点 8