图上的 C++ 反向传播；异质载体？

Question

我过去曾成功编写过一些神经网络。我编写了一个具有完全连接层（任何大小和数量）的多层感知器，并使用反向传播对其进行了训练。我做了一个卷积网络，并用手写/计算的数学找到了它的梯度。我现在正试图变得更笼统。我想本着 Theano 的精神为任何计算图编写反向传播。

考虑一下这个 Python 代码：

from __future__ import division
from pylab import *
class Node(object):
    def __init__(self):
        self.children = []
        self.parents = []
        self.state = []
    def forward_prop(self):
        for child in self.children:
            child.forward_prop()


class Static(Node):
    def __init__(self, *shape):
        super(Static, self).__init__()
        state = zeros(shape)

class MatrixProduct(Node):
    def __init__(self, w, x):
        super(MatrixProduct, self).__init__()
        self.w = w
        self.x = x
        self.state = [0]*len(x.state)

    def forward_prop(self):
        self.state = self.w.state.dot(self.x.state)
        for child in self.children:
            child.forward_prop()

class Doubler(Node):
    def __init__(self):
        super(Doubler, self).__init__()
    def forward_prop(self):
        self.state = [s*2 for s in self.state]
        for child in self.children:
             child.forward_prop()


a = Static()
a.state = array([2,3])
w = Static()
w.state = array([[1,2],[3,4]])
x = MatrixProduct(w, a)
a.children.append(x)
d = Doubler()
d.state.append(3)
x.children.append(d)
a.forward_prop()
print a.state
print d.state

我主要了解如何将其移植到 C++。我的问题是我不知道如何让孩子的前向传播在 C++ 中工作。在 Python 中，这很容易，因为 children 是一个潜在异构类型的列表，每个类型都有自己的 forward_propagate 行为。在 C++ 中，我该怎么办？

我觉得答案是继承，但如果它们都是一些基类，那么它会调用基类向前传播，而不是子类。

我试图避免冗余。节点知道将其输入转换为输出的操作。但是，只要它们的形状相同，它们就可以接受不同类型的输入。 IE，ElementwiseVectorDoubler 节点可以将任何类型的处理向量的节点作为输入并作为输出。可以从矩阵乘法等中获取输入...但我不想为每个特定类型的 1d 向量输入单独的 ElementwiseVectorDoubler 类输入我们的输出。

Answer 1

回答。谢谢 UnholySheep。我只需要虚拟功能。 http://www.cplusplus.com/doc/tutorial/polymorphism/