LIBANN：纯C语言编写的高性能神经网络库

LIBANN是由mseminatore维护的纯ANSI-C神经网络库，核心仅包含tensor.c（张量运算）和ann.c（训练/推理运行时）两个文件，兼具简洁性、可移植性与易用性。支持跨平台部署（Windows、macOS、Linux等多平台测试验证）、BLAS加速，提供完整张量运算、多种优化器、激活函数及训练/推理功能，适用于嵌入式系统、教学、快速原型开发及现有C/C++项目集成等场景。

原作者与来源

• 原作者/维护者: mseminatore
• 来源平台: GitHub
• 原始链接: https://github.com/mseminatore/ann
• 发布时间: 2026-06-07

项目概述

LIBANN专注于简洁性、可移植性和易用性，核心仅两个文件，避免依赖冲突与部署复杂性。采用纯ANSI-C编写，可在几乎所有支持C语言的平台编译运行，维护者定期在Windows（x86/x64）、macOS（Intel/M1）、Ubuntu Linux上测试，确保跨平台兼容性。

核心架构设计

遵循"最小可用"原则，分为两个模块：

1. 张量库（tensor.c）: 提供向量/矩阵运算基础（创建、销毁、复制、切片等），支持标量/向量化实现，可通过USE_BLAS启用加速；涵盖加法、乘法、GEMM等运算，当前主要支持二维张量。
2. 神经网络运行时（ann.c）: 基于张量库实现完整训练/推理功能。

优化器与损失函数

• 优化器: 内置SGD、动量法、AdaGrad、RMSProp、Adam（官方推荐默认）五种算法。
• 损失函数: 支持均方误差（MSE，回归）、分类交叉熵（多分类）。

激活函数与正则化

• 激活函数: 提供无激活、Sigmoid、Softmax、ReLU、LeakyReLU、Tanh、Softsign七种。
• 正则化: Dropout（反向Dropout技术）、L1/L2正则化、梯度裁剪，防止过拟合与梯度爆炸。

学习率调度策略

内置三种调度器：

1. 阶梯衰减: 每隔N轮次乘衰减系数gamma；
2. 指数衰减: 每轮次乘gamma，平滑连续衰减；
3. 余弦退火: 按余弦曲线从初始学习率衰减到最小； 支持自定义调度函数。

增量训练与在线学习

支持保留优化器状态、不重置权重、单样本训练、训练中途推理，适用于流式数据、模型微调和在线学习场景。

超参数自动调优

通过ann_hypertune模块实现：

• 搜索策略: 网格搜索、随机搜索、贝叶斯优化、TPE；
• 可调参数: 学习率、批次大小、优化器类型、隐藏层数量/神经元数、网络拓扑、激活函数等。

模型导出与可视化

• ONNX格式: 导出为ONNX JSON，便于跨工具链集成；
• PIKCHR图表: 导出网络架构为SVG矢量图（小型网络显示节点连接，大型网络显示层级框图）；
• 学习曲线: 导出训练历史为CSV，包含损失值和学习率，可用于绘制分析图表。

BLAS加速

启用BLAS可显著提升训练性能，支持CBLAS（跨平台推荐）和OpenBLAS；通过CMake配置（如-DUSE_CBLAS=1）启用，使用CBLAS需调用cblas_init()初始化。

适用场景

• 嵌入式系统: 纯C代码、最小依赖，易于移植；
• 教学用途: 代码简洁，适合学习神经网络原理；
• 快速原型: 无需复杂环境即可验证想法；
• 现有项目集成: 仅需添加两个文件即可为C/C++项目增加神经网络能力。

总结

LIBANN以极简架构实现功能完整的神经网络库，零依赖且可移植性强，为追求简洁、可控和可移植性的开发者提供了优质选择。