使用VS2013直接打开win/HanZhi.sln即可，如果要运行samples，需要手动将相应文件添加到工程中	另外，CBLAS（比如OpenBLAS-0.3.0）最好在自己的设备上重新编译生成一遍

可以直接执行make && make install进行编译安装，make可以有以下参数：	1、USE_CBLAS=y				指定使用CBLAS	2、PREFIX=汉智目录			用于指定汉智安装目录	3、cbals=CBLAS目录			用于指定CBLAS目录（需提前安装）		如果使用BLAS加速，需要提前安装CBLAS（比如OpenBLAS-0.3.0）并在make时添加USE_CBLAS=y

W2V是以word2vec（https://github.com/dav/word2vec）为基础，进行了重构和速度上的优化。W2V的算法和参数跟原word2vec相同，经过优化后W2V的结构更加清晰，而且速度比原word2vec提高了一倍多使用方法：新建W2V对象，然后将main参数传入run方法即可，可参考samples/w2v/testw2v_en.cpp参数与word2vec兼容，另外还提供了中文版参数，详细内存可查看“doc/W2V参数.txt”

	./w2v -train text8 -filetype en -output text8_vec  -cbow 1 -size 200 -window 8 -negative 25 -hs 0 -sample 1e-4 -iter 15	./w2v -输入 text8 -文本格式 英文 -输出 text8_vec  -填空 1 -词向量长 200 -窗口大小 8 -负样本数 25 -分层训练 0 -采样丢弃高频词系数 1e-4 -迭代次数 15		上述两种写法效果相同

汉智中的神经网络是以计算图为基础进行开发的，暂时只支持CPU运算，本地测试速度比TensorFlow快（使用CBLAS训练mnist可提速1倍多）。

主要包含计算图、图节点、数据类、数据尺寸、执行器和训练器六大模块。

	1、创建计算图，可以自己新建计算图，如果不新建会使用默认计算图	2、向计算图中添加节点，构造需要的计算图结构	3、创建执行器和训练器	4、使用执行器进行计算和训练	5、保存训练完成后的模型，以后直接加载训练好的模型即可使用。		具体接口见“doc/神经网络.txt”

	addNode("输入", WaitInput, "尺寸:30,100");					//添加一个名叫“输入”待输入节点，尺寸:30,100表示数据的批量为30，单个向量长度为100	addNode("权重", Random, "尺寸:20,100;标准差:0.1");			//添加一个名叫“权重”随机数节点，使用标准差为0.1的随机数初始化	addNode("偏置", FixedVal, "尺寸:20;值：0.1");				//添加一个名叫“偏置”定值节点，初始值为固定值0.1	addNode("输出", mul2d, NULL, "输入,权重，偏置");			//添加一个名叫“输出”的二维乘节点，关于二维乘的详细介绍见“doc/神经网络.txt”

	addNode("输入", WaitInput, "尺寸:0,128,128,3");						//添加一个名叫“输入”待输入节点，尺寸:0,128,128,3表示数据的批量可变，单张图片的宽和高都是128，深度为3	addNode("卷积核", Random, "尺寸:10,7,7,3;标准差:0.1");				//添加一个名叫“卷积核”随机数节点，使用标准差为0.1的随机数初始化	addNode("偏置", FixedVal, "尺寸:10;值：0.1");						//添加一个名叫“偏置”定值节点，初始值为固定值0.1	addNode("卷积", Conv2d, "补白:是;步长:2,2", "图像输入,卷积核1,偏置1");																		//添加一个名叫“卷积”的二维卷积节点，这样就可以创建一个卷积层

	Actuator *actuator1 = new Actuator();				//定义执行器		actuator1->cal("卷积");								//计算名叫“卷积”的节点的值

	Actuator *actuator1 = new Actuator();					//定义执行器	AdamTrainer *_trainer = new AdamTrainer("卷积");		//定义训练器		actuator1->train(_trainer);								//训练

	saveData("model", 1);					//保存数据	loadData("model", 1);					//加载数据