GTK4 入门到实战

GTK4入门到实战
专栏收录该内容
¥29.90
¥99.00
28 篇文章

0 前言

GTK(GIMP Toolkit)是一个自由开源的 GUI 工具包,最初是为 GIMP 图像编辑器开发的,如今已成为 Linux 桌面应用开发的主流选择之一。GNOME 桌面环境及其核心应用(如 Nautilus 文件管理器、Evince 文档查看器等)都基于 GTK 构建。

经过近30年的发展,如今已演进到 GTK 4,并通过语言绑定支持多种编程语言,本专栏使用 C 语言和 GTK4 开发 GUI 应用:从环境搭建、控件、布局,到信号与事件机制、GObject 对象系统、GTK 内部架构与设计模式,最终完成图片查看器和多标签页编辑器两个完整项目。

官方文档之外,社区还有一份系统的入门教程:GTK 4 Tutorial for beginners[30](ToshioCP 编写),从基础控件与布局讲起,后期章节完整实现一个文本编辑器应用,可与本专栏对照阅读。

验证环境:Ubuntu 24.04 / 26.04 LTS

1 技术概览

1.1 发展历史

1997年,Spencer Kimball 和 Peter Mattis 开发 GIMP 图像编辑器时,需要一个 GUI 工具包。当时虽然已经有 Qt(1995年发布),但存在关键问题:

  • 许可证冲突:Qt 采用专有许可证(proprietary license),不是自由软件
  • GPL 不兼容:GIMP 使用 GPL 许可证,无法链接专有库
  • 自由软件理念:GNU 计划需要完全自由的工具链

因此他们决定自己开发一个 完全自由 的 GUI 工具包,采用 LGPL 许可证——这就是 GTK 的诞生。同年,Miguel de Icaza 发起 GNOME 桌面环境项目,选择 GTK 而非 Qt。

此后 GTK 便由 GNOME 项目托管(但并非 GNOME 专属),两者共同演进,资源共享(开发者社区、基础设施、发布周期)。GNOME 依赖 GTK,GTK 却不依赖 GNOME:GTK 应用只需安装 GTK 运行库即可运行(KDE 等桌面环境同样可以运行)。

表1.1 GTK 版本演进

版本发布年份主要变化
GTK+ 1.x1998前身为 GIMP 专用的初版 GTK,经面向对象增强重写后更名 GTK+(加号即增强版标记)。
GTK+ 2.x2002引入 Pango 文本渲染和 ATK 无障碍支持,API 更加稳定。
GTK+ 3.x2011全面现代化,支持 CSS 样式、触摸输入、Wayland 显示服务器。
GTK 4.x2020当前最新版本,引入渲染器 API、事件控制器、拖放 API 等重大改进;GTK+ 3.x 应用可参考官方迁移指南[12](项目名称正式从“GTK+”改为“GTK”,不再使用“+”符号)。
注:Ubuntu 21.04 起官方仓库收录 GTK4,并在后续版本逐渐将系统应用及组件迁移到 GTK4,至 26.04 大部分已完成迁移。

1.2 核心特性

GTK4 作为当前最新主版本,引入了许多重大改进和新特性:

渲染系统:

  • GPU 加速渲染:基于 GSK(GTK Scene Graph)场景图的全新渲染管线
  • 简化的事件处理:以事件控制器(Event Controllers)取代传统的事件信号
  • 声明式属性绑定:控件属性之间可直接绑定,UI 状态自动同步

平台支持:

  • 跨平台后端:支持 Wayland、X11、Windows、macOS[22]
  • 原生体验:GNOME 等 GTK 桌面环境本身就以 GTK 构建
  • 输入处理:支持触摸、手写板等输入设备

1.3 软件架构

GTK Architecture
图1.1 GTK4 官方架构图 [1]

表1.2 GTK4 核心库

库定位主要职责
GDK(GIMP Drawing Kit)窗口系统抽象层屏蔽 Wayland/X11/Win32/macOS 平台差异;处理键盘、鼠标、触摸输入;管理显示器、剪贴板、拖放等系统资源。
GSK(GTK Scene Graph)渲染抽象层提供底层绘图 API,将绘制操作转换为图形管线命令,支持 OpenGL、Vulkan 等渲染后端。
GLib核心基础库数据结构(列表、哈希表、字符串)、事件循环、线程、动态加载、GObject 对象系统。
Pango文本布局与渲染国际化文本处理,复杂脚本的排版与字体渲染。
Cairo2D 图形库矢量图形绘制,多输出设备支持,硬件加速。
GdkPixbuf图像加载库加载 PNG、JPEG、GIF 等格式,可扩展的动态模块加载。
Graphene几何数学库高效的 2D/3D 数学类型。
HarfBuzz文本整形库将 Unicode 转换为字形输出,支持各种书写系统和语言。

1.4 编程语言

GTK 虽然使用 C 语言编写,但可通过 语言绑定(language bindings)支持多种编程语言[13]:

表1.3 GTK 编程语言支持

语言GTK+ 3.xGTK4说明
C✓✓GTK 原生语言
C++✓✓gtkmm 封装
Python✓✓PyGObject 绑定
JavaScript✓✓GJS 绑定
Rust✓✓gtk3-rs / gtk4-rs 绑定
Go✓✓gotk4 绑定(gotk3 仅支持 GTK+ 3.x)
Vala✓✓Vala 绑定(类似 C#)
Perl✓✓Gtk4-Perl 绑定
D✓✓GtkD 绑定

本专栏以 C 语言为主:C 是 GTK 的原生语言,更符合本专栏的定位——除了调用 API,还需要深入理解其底层实现和原理。

2 核心理念

2.1 GObject 对象系统

GTK 的核心是 GObject 系统,这是一个在 C 语言中实现的面向对象框架[5][6][7]。C 语言本身没有类、继承和虚函数,GObject 用结构体、函数指针和独立的类型系统(GType)在 C 层面实现了完整的对象模型——类与单继承、接口、属性、信号都建立在这套机制之上,实现原理后续专文深入剖析。

类型转换宏:GObject 在内存布局上保证子类结构体以父类结构体开头,子类实例可直接当父类指针使用;反向取回具体类型则靠每个类型自带的转换宏(如 GTK_BUTTON()、GTK_WINDOW()),宏内部会做运行时类型检查,类型不符时发出告警,比直接强制转换安全:

GtkWidget *widget = gtk_button_new_with_label("点击我");
gtk_button_set_label(GTK_BUTTON(widget), "再点我");

引用计数与内存管理:GObject 对象靠引用计数管理生命周期,g_object_ref() 加一、g_object_unref() 减一,减到零即销毁。拿到对象引用时先分清归属:构造函数和 _finish 类函数返回的引用属于调用者,用完要 unref;getter 类函数返回的只是借用,不能 unref:

GtkTextBuffer *buffer = gtk_text_view_get_buffer(GTK_TEXT_VIEW(view));
/* 借用:随控件销毁,不 unref */

GtkFileDialog *dialog = gtk_file_dialog_new();
/* 拥有:用完 g_object_unref(dialog); */

把控件交给容器后(如 gtk_window_set_child())由容器接管销毁,日常开发中控件通常无需手动 unref。

2.2 信号与回调机制

GTK 采用 信号-回调机制 处理用户交互和系统事件[8]。

信号(Signal):

  • 信号是 GObject 对象在特定事件发生时发出的“通知”
  • 例如:按钮被点击时发出 clicked 信号,窗口关闭时发出 close-request 信号
  • 信号与操作系统的 UNIX 信号无关,是 GTK 内部的事件通知机制

回调函数(Callback):

  • 回调函数是开发者编写的、用于响应信号的函数
  • 通过 g_signal_connect() 将信号与回调函数“连接”起来
  • 一个信号可以连接多个回调函数,按连接顺序依次调用

示例代码:

// 按钮点击信号的回调函数
static void on_button_clicked(GtkButton *button, gpointer data) {
    g_print("按钮被点击了!\n");
}

// 在主函数中连接信号
GtkButton *button = gtk_button_new_with_label("点击我");
g_signal_connect(button, "clicked", G_CALLBACK(on_button_clicked), NULL);

这个机制的本质是 观察者模式(Observer Pattern):按钮是被观察者,回调函数是观察者,当按钮状态改变时,自动通知所有观察者。

2.3 事件驱动模型

GTK 应用程序是典型的事件驱动程序:

(1)初始化阶段:创建控件、设置布局、连接信号
(2)主循环阶段:进入 g_application_run(),等待事件
(3)事件处理阶段:当用户操作(鼠标点击、键盘输入)或系统事件发生时,GTK 发射相应的信号,调用已连接的回调函数
(4)退出阶段:用户关闭窗口,主循环退出,程序结束

事件驱动模型的优点:

  • 解耦:事件产生和处理逻辑分离
  • 异步:适合处理 GUI 这类无法预知用户操作的场景
  • 扩展性:添加新功能只需连接新的信号处理函数

3 开发环境

GTK开发环境的详细搭建步骤和第一个GTK4程序,请参阅《GTK4开发环境搭建》,该文章包含:

  • Ubuntu系统安装GTK4开发库
  • 开发工具链配置(pkg-config、GCC)
  • 第一个GTK4 Hello World程序
  • 编译与运行方法(pkg-config、Makefile、Meson)
  • 常见问题排查

4 官方资源

GTK4 官方提供了示例程序和测试套件,是学习 GTK4 的最佳实践参考,下面是安装命令:

sudo apt install -y gtk-4-examples gtk-4-tests  # 测试套件为可选安装,按需执行

4.1 gtk4-demo

交互式演示程序,展示所有 GTK4 控件和特性。

功能特点:

(1)查看所有控件的运行效果
(2)每个示例都有对应的源代码
(3)学习控件的标准用法

启动命令:

gtk4-demo
gtk4-demo界面
图4.1 gtk4-demo 运行界面

使用方法:

(1)选择案例:左侧列表显示所有可用的 GTK4 控件示例,点击选择其中一个案例
(2)查看信息:右侧面板显示该案例的介绍、UI 预览和源代码
(3)运行案例:点击 “Run” 按钮可以运行选中的案例,查看实际效果
(4)浏览源码:在 “Source” 标签页可以查看完整的源代码实现

适用场景:

(1)快速了解 GTK4 控件库的全貌
(2)查找特定控件的使用示例
(3)验证控件行为和效果

4.2 gtk4-demo-application

该案例是一个文本编辑器程序,与 gtk4-demo(图4.1)的首个案例相同,只不过是独立的 GtkApplication 程序,可作为完整的 GtkApplication 实现示例。

功能特点:

(1)展示应用程序的标准架构
(2)菜单、工具栏、对话框的综合应用
(3)适合作为项目模板参考

启动命令:

gtk4-demo-application
gtk4-demo-application界面
图4.2 gtk4-demo-application 运行界面

案例说明:

从图中可以看到,gtk4-demo-application 的界面包含:

(1)顶部菜单栏:File、Preferences、Help
(2)工具栏:文档打开按钮、退出按钮、Logo按钮
(3)主编辑区:带边框的文本编辑区域
(4)底部状态栏:显示光标位置和字符统计

适用场景:

(1)学习架构:理解 GtkApplication 的标准实现

4.3 gtk4-widget-factory

GTK4控件工厂,展示所有GTK4控件的实际效果和主题样式。

功能特点:

(1)展示所有GTK4内置控件的默认外观
(2)支持实时切换不同的GTK主题
(3)查看暗色模式下的控件效果
(4)测试控件的交互行为

启动命令:

gtk4-widget-factory
gtk4-widget-factory运行界面
图4.3 gtk4-widget-factory 运行界面

适用场景:

(1)控件浏览:了解GTK4提供了哪些可用的界面元素
(2)主题开发:查看不同主题下的控件渲染效果
(3)界面设计:获取控件组合的灵感参考

4.4 gtk4-node-editor

复杂应用的实际案例。

功能特点:

(1)展示 GObject 系统的实际应用
(2)自定义控件的实现方式
(3)事件处理和状态管理

启动命令:

gtk4-node-editor
gtk4-node-editor界面
图4.4 gtk4-node-editor 运行界面

适用场景:

(1)进阶学习:理解复杂应用的设计模式
(2)自定义控件:学习如何创建自己的控件
(3)架构设计:参考大型应用的组织方式

4.5 gtk-4-tests

GTK4 测试套件,用于验证 GTK4 功能是否正常工作。

功能特点:

(1)自动化测试 GTK4 的各种功能
(2)验证控件、渲染、平台集成等
(3)用于回归测试和 CI/CD

启动命令:

gnome-desktop-testing-runner gtk-4.0

适用场景:

  • 开发者:验证 GTK4 安装是否正确
  • 调试:测试特定功能是否正常

4.6 示例程序

表4.1 官方示例程序

工具用途
gtk4-demo全部控件与特性的交互式演示,附源码
gtk4-widget-factory所有控件实际效果与主题样式一览
gtk4-demo-application独立 GtkApplication 完整实现示例
gtk4-node-editor复杂应用(GSK 节点编辑器)设计参考
gtk-4-tests官方测试套件,API 行为的权威用例

4.7 源码位置

方法1(安装到系统):

官方示例的源码通常安装在系统目录:

# 需先安装 gtk-4-examples 包
/usr/share/doc/gtk-4-examples/examples/

方法2(GTK4 官方仓库):

获取完整的 GTK4 源码,包括 examples 和 demos:

# 克隆 GTK4 官方仓库
git clone https://gitlab.gnome.org/GNOME/gtk.git

# 或 Debian 维护的仓库
git clone https://salsa.debian.org/gnome-team/gtk4.git

# examples 目录
cd gtk/examples/

# demos 目录
cd gtk/demos/

5 应用案例

GTK 的典型应用场景是 Linux 桌面环境与原生应用开发。

5.1 桌面环境

表5.1 基于 GTK 的桌面环境

桌面环境GTK 版本特点默认发行版
GNOMEGTK+ 3.x / GTK4最流行的 GTK 桌面环境,现代设计、功能丰富Ubuntu、Fedora
XfceGTK+ 3.x轻量级、稳定、资源占用低Xubuntu、Linux Mint Xfce
CinnamonGTK+ 3.x传统布局风格,类似 Windows 7Linux Mint、Ubuntu Cinnamon
MATEGTK+ 3.xGNOME 2 的继任者,传统、稳定Ubuntu MATE
BudgieGTK+ 3.x简洁现代,Solus 项目开发Solus、Ubuntu Budgie
PantheonGTK+ 3.x类 macOS 风格,美观易用elementary OS
LXDEGTK+ 2超轻量级,适合老旧硬件Lubuntu(旧版)

5.2 典型应用

表5.2 GTK 应用与工具

应用领域典型案例
系统应用GNOME Settings(控制中心)、GNOME Software(软件中心)、GNOME Shell(桌面环境)、GNOME Terminal(终端)、GNOME Files(Nautilus 文件管理器)
系统工具GNOME System Monitor(系统监视器)、GNOME Disk Utility(磁盘工具)、GParted(分区编辑器)
办公工具gedit(文本编辑器)、GNOME Calculator(计算器)、GNOME Calendar(日历)、Evince(文档查看器)
网络工具GNOME Web(Epiphany 浏览器)、GNOME Contacts(联系人)、GNOME Maps(地图)
网络分析Wireshark(网络协议分析器)
通信工具Pidgin(多协议即时通讯)、HexChat(IRC 客户端)、Dissent[24](GTK4 + Go 的 Discord 客户端,原 gtkcord4)
文件传输FileZilla(FTP 客户端)、Transmission(BitTorrent 客户端)
多媒体GNOME Photos(照片管理)、GNOME Music(音乐播放器)、GNOME Videos(Totem 视频播放器)、Rhythmbox
图形工具GIMP(图像编辑器)、Inkscape(矢量图形编辑器)、Rnote(GTK4 + Rust 草图笔记)[11]
开发工具GNOME Builder(IDE)、Anjuta(已停止维护)、D-Feet(D-Bus 调试工具)
界面设计Glade(UI设计器,基于 GTK+ 3.x)、Cambalache[10](新一代 GTK4 UI 设计工具)
界面调试GTK Inspector(内置检查器)、GtkInspector
在线工具GTK Workbench[9] —— 在线 GTK4 控件预览和测试工具
其他工具GHex(十六进制编辑器)

更多交流

欢迎加入知识星球「OS图形显示」:

OS图形显示星球二维码

参考资料

[1] GTK 官方文档 - Architecture(包含 GDK、GSK、GLib、Pango、Cairo 等核心库的详细说明)
[2] GTK 官方网站
[3] GTK 4 API 参考手册
[4] GTK 4 入门教程
[5] GObject 参考手册
[6] GObject 类型系统概念中文文档
[7] GObject 学习笔记
[8] GTK 事件及信号机制
[9] GTK Workbench
[10] Cambalache GTK4 UI 设计工具
[11] Rnote - Sketch and take handwritten notes
[12] GTK 4 迁移指南(GTK 3.x 到 GTK 4)
[13] GTK 语言绑定 - Language Bindings
[14] 使用Zig与GTK4构建现代化SSH密钥密码输入工具
[15] GTK4-Layer-Shell:构建Wayland桌面组件的利器
[16] GTK主题 和 GNOME、KDE有什么制约关系
[17] Tsukimi媒体播放器:基于Rust与GTK4的现代化客户端架构解析
[18] GTK应用与Pixel Saver:如何实现最佳视觉效果
[19] Taffybar核心功能解析:10个必装GTK小部件推荐
[20] 告别卡顿与妥协:netease-cloud-music-gtk如何重新定义Linux音乐播放体验
[21] pot-desktop Linux特化:GTK桌面集成深度解析
[22] 终极跨平台GUI开发指南:用GTK打造完美桌面应用
[23] 告别黑框!用C语言和GTK4在Linux上快速打造你的第一个图形化桌面应用
[24] Dissent - GTK4 Discord客户端(原gtkcord4)
[25] GTK4实战入门:Linux原生GUI开发核心原理与GNOME深度集成
[26] 【GTK4】现状及学习资源小结
[27] Windows下安装并使用 GTK4
[28] GTK4滑动拼图开发:从demo改造到高级功能实现
[29] GTK4滑动拼图游戏开发实战与优化技巧
[30] GTK 4 Tutorial for beginners
[31] GTK4架构深度解析:从渲染节点到事件控制器的全面重构

VIP 二、Gtk4-GtkApplication and GtkApplicationWindow 人们编写编程代码来开发应用程序。什么是应用程序?应用程序是使用库运行的软件,其中包括操作系统、框架等。在GTK 4编程中,GTK应用程序是使用GTK库运行的程序(或可执行程序)。编写GtkApplication的基本方法如下。这是所有。非常简单。下面是代表上述方法的C代码。第一行说明这个程序包含Gtk库的头文件。函数main是C语言中的一个启动函数。变量app被定义为一个指向GtkApplication实例的指针。 开通可读全文·1.7k 阅读·0 点赞·2 收藏 阅读全文

相关推荐

Gtk4-tutorial:gtk4初学者教程

Gtk4初学者教程 本教程说明了如何使用Gtk4库编写C程序。 它侧重于初学者,因此其内容仅限于基本事物,例如小部件,GObject,信号,菜单和构建系统。 请参考以获取更多主题。 本教程正在开发中,不稳定。 即使使用C语言编写的示例已在gtk4版本4.0上进行了测试,但可能仍存在错误。 如果您在本教程和C示例中发现任何错误,错误或错误,请告诉我。 您可以将其发布到 。 本教程的最新版本位于。 您可以阅读而无需下载。

基于arduino的一位数码管控制

基于arduino的一位数码管控制 (一)arduino是什么? (二)一位数码管是什么? (三)一位数码管的结构组成和分类 1、共阴极 2、共阳极 (四)一位数码管的控制逻辑 (五)一位数码管的三种控制方式(由浅入深) 1、通过规定8个端口的状态进行控制 2、通过一维数组进行控制 3、通过二维数组进行控制 ...

weixin_44600802的博客 1万+

【硬件开源实战】STM32G070RBT6开发板从设计到避坑全解析

本文全面解析了STM32G070RBT6开发板从硬件设计到避坑的实战经验。详细介绍了电源设计、时钟电路、PCB布局等关键环节,分享了成本控制、焊接测试、软件开发和外设驱动的实用技巧,帮助开发者高效完成项目开发。

weixin_26897585的博客 248

ADG同步性能优化:如何正确配置standby redolog避免WAIT_FOR_LOG状态

本文深入剖析了Oracle ADG(Active Data Guard)同步中常见的WAIT_FOR_LOG状态,指出其根源在于Standby Redo Log(SRL)配置不当。文章提供了从诊断到优化的完整实践指南,重点阐述了SRL大小匹配、组数充足等黄金配置法则,帮助架构师从根本上避免同步延迟,实现稳定高效的实时数据同步。

weixin_29200485的博客 336

【无标题】 Python自动化法律文书撰写

Jinja2是一个功能强大的模板引擎,支持丰富的语法和功能。除了条件判断和循环语句外,Jinja2还支持过滤器、宏、继承等高级特性,非常适合处理复杂的文书模板。

master_chenchen的博客 2068

[学习笔记]Esp32 + 4G模块,随身wifi,ppp拨号上网

Esp32S3 + 4G模块制作随身WIFI教程

weixin_45595548的博客 7424

【优化求解】基于matlab粒子群算法PSO确定最佳开关角对称级联多层逆变器【含Matlab源码 13080期】

粒子群算法PSO确定最佳开关角对称级联多层逆变器 完整代码,包运行;可提供运行操作视频!适合小白!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 100

具身智能(40):主流 VLA 模型π₀

摘要: π₀是首款专为机器人设计的VLA(视觉-语言-动作)端到端基础模型,通过双阶段训练实现“感知-决策-执行”闭环。其创新点包括:1)FlowMatching技术实现连续平滑动作控制(精度0.3°);2)结合VLM预训练与多机器人实操数据,零样本任务完成率达76.4%,远超同类模型;3)支持模糊指令理解与动态场景适应(如遮挡识别)。开源版本涵盖不同规模模型,适用于工业装配、服务机器人等场景,在延迟(213ms)和稳定性(92%自主恢复率)上显著领先OpenVLA等竞品。

码农17年的博客 517

AI上推荐 之 Wide&Deep与Deep&Cross模型(记忆与泛化并存的华丽转身)

1. 前言 随着信息技术和互联网的发展, 我们已经步入了一个信息过载的时代,这个时代,无论是信息消费者还是信息生产者都遇到了很大的挑战: 信息消费者:如何从大量的信息中找到自己感兴趣的信息? 信息生产者:如何让自己生产的信息脱颖而出, 受到广大用户的关注? 为了解决这个矛盾, 推荐系统应时而生, 并飞速前进,在用户和信息之间架起了一道桥梁,一方面帮助用户发现对自己有价值的信息, 一方面让信息能够展现在对它感兴趣的用户前面。 推荐系统近几年有了深度学习的助推发展之势迅猛, 从前深度学习的传统推荐模型(协

Miracle8070 1万+

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

上一篇: GPU编程全攻略:从图形渲染到通用计算
下一篇: GTK4 开发环境搭建
OneSea
OneSea 优质创作者: 操作系统技术领域 优质创作者: 操作系统技术领域
博客等级 码龄15年 2万+粉丝 803原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

OneSea

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址