Example of C ++ neural networks [closed]

Just the other day I was reading articles about the simplest neural networks, and along the way I sketched my simplest network. This network was designed to recognize the numbers in the pictures - a classic task in most articles of the runet :) However, the structure of the neurons tried to make the structure itself independent of the task, and in my opinion it turned out to be quite revealing. I hope comments in the comments will be enough. Classes represent parts of an artificial neuron, and are called respectively

Header file:

class Neuron { public: /*Аксон - выходная часть нейрона, которая передает состояние нейрона дальше, обработанное функцией активации*/ class Akson{ public: float getSignal();//Функция активации Neuron *ownerNeuron; }; /*Дендрит - одна из входных линий нейрона. Содержит весовой коэффициент. В данной архитектуре каждый дендрит содержит указатель на предшествующий ему аксон, с которого он и получает сигнал.*/ class Dendrit{ public: float weight = 0.1; Akson *inputAkson; }; Neuron(); /*Вектор, содержащий входные дендриты, т.к. их может быть разное количество*/ std::vector<Dendrit> dendrits; Akson akson; /*Суммирующая функция, которая суммирует(В самом простом случае) входные сигналы*/ virtual float kernelFunction(); /*Состояние нейрона*/ float value; }; 

The implementation file itself implements the functions of the neuron and axon. The function of the neuron is declared virtual, so that it can be redefined for each layer of neurons.

Here is the implementation code:

 #include "neuron.h" #include <cmath> /*В качестве функции активации используется т.н. сигма-функция, которая обрабатывает сигнал, полученный суммирующей функцией нейрона*/ float Neuron::Akson::getSignal() { return (1 / (1 + exp(-(ownerNeuron->kernelFunction())))) ; } /*Конструктор устанавливает для в качестве нейрона-владельца аксона свой объект*/ Neuron::Neuron() { akson.ownerNeuron = this; } /*Нейрон запрашивает сигнал у каждого своего дендрита, тем самым обращаясь к аксонам нейронов предыдущего слоя, которые в свою очередь обращаются к своим нейронам и.т.д, то есть сбор сигналов идет цепочкой от самого первого слоя*/ float Neuron::kernelFunction() { float result(0.); for(Dendrit d : dendrits){ result += d.inputAkson->getSignal() * d.weight; } return result; } 

Next comes the definition of the class of the neural network itself, consisting, in fact, of neurons:

 class KohonenNet { public: /*Создание подвида нейрона: входной нейрон, который только передает входной сигнал дальше*/ class InputNeuron : public Neuron{ public: float kernelFunction(){ return value; } }; KohonenNet(); vector<Neuron*> inNeurons; vector<Neuron> outNeurons; int handle(QImage); private: /*Функция обучения нейрона*/ void study(Neuron &n, QImage pic); /*Картинки с цифрами для обучения*/ QString names[9] = {"0.bmp", "1.bmp", "2.bmp", "3.bmp","4.bmp","5.bmp","6.bmp","7.bmp", "8.bmp"}; const uint numNumbers = 9; }; 

The implementation of network functions already solves a specific problem, takes many lines of code and carries little information about the device of the network itself, so I do not give it.

P.S. I hope my work will help someone understand :)