2018-05-30 C++& lasagne

C++

1.C++中string erase函数的使用
erase函数的原型如下：

• string & erase(size_t pos = 0, size_t n = npos)
• iterator erase(iterator position)
• iterator erase(iterator first, iterator last)
  也就是说有三种用法：
• erase(pos,n):删除从pos开始的n个字符，比如erase(0, 1)就是删除一个字符；
• erase(position):删除position处的一个字符(position是个string类型的迭代器)
• erase(first,last):删除从first到last之间的字符(first和last都是迭代器）

Lasagne

lasagne简单入门

1.简介

lasagne是一个基于Theano的轻量级的神经网络库，其实就是对Theano库的上层封装，使用起来更加简单，但是相应的灵活性下降。

2.建立模型

和所有的框架一样，非常重要的一个环节就是进行网络模型的定义。lasagne的网络模型建立方法和Torch比较相似，都是对各种常用网络层（layer）进行封装，我们只需要调用相应的网络层函数并把它们搭接在一起就可以了。

• 以多层感知机模型为例
  多层感知机（Multi-layer-perceptron,MLP），此处构建一个两个隐藏层的多层感知机，并对输入增加20%的dropout，隐藏层增加50%的dropout。实际上我们的网络模型就由输入层+两个隐藏层+输出层组成，只需要对其分别进行定义即可。
• 输入层
  输入层采用InputLayer进行定义，'InputLayer'只用于接受数据，不对数据做任何的处理，类似于TensorFlow里面的placeholder功能，定义方法如下：

l_in = lasagne.layers.InputLayer(shape=(None, 1, 28, 28), input_var=input_var)

shape里对应的四个参数分别表示：(batchsize, channels, rows, columns),input_var表示需要连接到网络输入层的theano变量，默认为none。
然后对输入数据加以20%的dropout，采用DropoutLayer进行定义：

l_in_drop = lasagne.layer.DropoutLayer(l_in, p=0.2)

• 隐藏层
  这里的隐藏层由全连接层、激活层、dropout层组成。lasagne将全连接层和激活层封装到一个函数里了，即DenseLayer，定义如下：

l_hid1 = lasagne.layers.DenseLayer(l_in_drop, 
                                  num_units=800,
                                  nonlinearity=lasagne.nonlinearities.rectify,
                                  W=lasagne.init.GlorotUniform())

num_units表示全连接层的单元数目，nonlinearity用以定义激活层函数，激活层函数封装在lasagne.nonlinearities中，这里选择的ReLU函数，而网络参数的初始化封装在lasagne.init里，只需要分别进行调用就可以了。
之后再添加50%的dropout：

l_hid1_drop = lasagne.layers.DropoutLayer(l_hid1, p=0.5)

第二个隐藏层的定义与此类似
输出层
输出层依旧是一个全连接网络，只是不同的是这里是做分类任务，所以需要将非线性函数/激活函数修改为softmax，如下：

l_out = lasagne.layers.DenseLayer(
                                 l_hid2_drop, num_units=10,
                                 nonlinearity=lasagne.nonlinearities.softmax)

这样就得到了一个包含两个隐藏层的多层感知机了。