C语言实现的神经网络（Neural Network）
第1阶段： 实现 MLP、CONV、GAN、BERT 等基本模型
第2阶段： 分析、研究新的模型和方法
1.完成训练过程参数对比代码；
2.TODO: 找出参数值不一致的原因。
1.修复: （1）epoch最后一个batch运行时报错的问题；（2）目前的lr衰减算法有误，会导致衰减系数始终为 1/batch_size，不能根据batch实际大小b_used动态调整。
2.增加每个epoch计算训练集分类成功率的功能。
1.增加从numpy.savetxt导出的文件中读取权重作为linear_layer权重的方法；
2.新增功能通过单元测试和集成测试，很神奇的relu层训练390轮（1个完整epoch没有出现inf或nan）；
3.TODO: a.)BUG: epoch最后一个batch运行时报错；b.)BUG: 目前的lr衰减算法有误，会导致衰减系数始终为 1/batch_size，不能根据batch实际大小b_used动态调整。
1.增加relu_layer；
2.使用relu作为激活函数进行测试，训练参数模仿ccc。
1.修改探针类和层类增加了运行过程中导出数据到指定目录的功能；
2.修改MNIST测试案例导出参数和梯度数据；
3.TODO: 与python版训练过程的参数和数据比较，找出权重上溢问题的原因。
1.修复数据集最后一个batch样本不足batch_size报错的问题；
2.增加日志记录功能；
3.Layer类支持命名，用于DEBUG；
4.现在MNIST数据集直接提供float32和onehot的数据和类标，无需用户手动转换；
5.修改了MNIST数据集的normalization预处理方法，参考了网上公开资料；
6.验证python版本与处理结果与C版本处理结果数据的一致性，误差约为5e-7。
7.TODO: 目前尚存在训练过程梯度和参数上溢的问题。
1.MNIST数据集增加对训练迭代数据、onehot类标的支持；
2.增加了探针，方便数据统计；
3.mlp模型集成测试案例补充了训练迭代过程。
4.现在训练参数不再和模型绑定，而是再每一轮迭代中ing和探针一起作为参数传给模型；
5.测试循环迭代，目前初步调通。
6.测试中尚存的问题：(1)最后一个batch样本数不足时会出现SIGSEGV；(2)一个epoch的不同iter下ce_cost没有明显下降。
1.重新设计目录结构；
2.新增MNIST数据集读取，补充测试案例。
1.将每一层的线性变换和非线性变换拆分成两个独立的层；
2.完成代价函数；
3.完成网络层间关联；
4.Layer, Cost现在分别是层类和代价类的基类；
5.完成交叉熵代价CECost类和SoftMaxLayer类；
6.统一函数返回值为错误码；
7.新增了XXX_GOTO宏，配合函数内使用goto进行异常处理时的资源释放；
8.增加了测试用例。
1.完成全连接层反向传播的参数梯度计算;
2.完成全连接层forward、backward、update方法；
3.引入YOLOv2的GEMM计算。
1.创建仓库。