模型构建

我们通常将一个深度学习模型视为一个计算图，所以在Lumos中一个深度学习模型就是一个计算图，我们需要首先创建一个计算图类的实例

Graph *g = create_graph()

在此之后您需要创建不同的计算层，并确定它们的链接方式

Layer *l1 = make_convolutional_layer(6, 5, 1, 0, 1, "relu");
Layer *l2 = make_avgpool_layer(2, 2, 0);
Layer *l3 = make_convolutional_layer(16, 5, 1, 0, 1, "relu");
Layer *l4 = make_avgpool_layer(2, 2, 0);
Layer *l5 = make_convolutional_layer(120, 5, 1, 0, 1, "relu");
Layer *l6 = make_im2col_layer();
Layer *l7 = make_connect_layer(84, 1, "relu");
Layer *l8 = make_connect_layer(10, 1, "relu");
Layer *l9 = make_softmax_layer(10);
Layer *l10 = make_mse_layer(10);

append_layer2grpah(g, l1);
append_layer2grpah(g, l2);
append_layer2grpah(g, l3);
append_layer2grpah(g, l4);
append_layer2grpah(g, l5);
append_layer2grpah(g, l6);
append_layer2grpah(g, l7);
append_layer2grpah(g, l8);
append_layer2grpah(g, l9);
append_layer2grpah(g, l10);

append_layer2grpah将您创建的计算层按顺序添加到计算图中，此时我们创建的计算图g，就是一个完整的静态深度学习模型

完成模型创建后，我们需要调度模型进行计算，Lumos提供Session会话类来完成全部的计算调度，首先我们需要实例化一个会话

Session *sess = create_session(g, 32, 32, 1, 10, type, path);

并设置训练超参数

set_train_params(sess, 15, 16, 16, 0.1);

在训练开始前，Lumos需要完成内存等训练环境初始化

init_session(sess, "./data/mnist/train.txt", "./data/mnist/train_label.txt");

现在一切准备就绪，可以开始训练了

train(sess);