色综合天天干,久久久偷拍,韩国精品一区,狠狠干天天干,色黄在线视频,特级AA片,无人无码深夜久久,日韩色情在线观看

點擊上方“小白學(xué)視覺”，選擇加"星標(biāo)"或“置頂”

重磅干貨，第一時間送達(dá)

OpenCV中神經(jīng)網(wǎng)絡(luò)介紹與使用

一：神經(jīng)網(wǎng)絡(luò)介紹

人工神經(jīng)網(wǎng)絡(luò)(ANN) 簡稱神經(jīng)網(wǎng)絡(luò)(NN)，最早它的產(chǎn)生跟并行計算有關(guān)系，主要是學(xué)習(xí)生物神經(jīng)元互聯(lián)觸發(fā)實現(xiàn)學(xué)習(xí)、完成對輸入數(shù)據(jù)的分類與識別。最基本的單元是神經(jīng)元，有一個輸入值，一個輸出值，神經(jīng)元本身根據(jù)激活函數(shù)來說決定輸出值，最簡單例子就是感知器

上述在開始的時候通過隨機初始化生成權(quán)重，然后通過對數(shù)據(jù)X的訓(xùn)練迭代更新權(quán)重直到收斂，過程表示如下：

上述就是最簡單的單個感知器工作原理。而在實際情況下，神經(jīng)網(wǎng)絡(luò)會有多個感知器，多個層級，我們把輸入數(shù)據(jù)X的層稱為輸入層，最終輸出結(jié)果的層稱為輸出層，中間各個層級統(tǒng)統(tǒng)稱為隱藏層。一個典型的多層感知器(MLP)網(wǎng)絡(luò)如下：

這個時候我們選擇的激活函數(shù)就不能選擇簡單的二分類函數(shù)，OpenCV中支持的激活函數(shù)有三個：

上述網(wǎng)絡(luò)中的權(quán)重值是未知的，只有通過訓(xùn)練我們才可以得到這些權(quán)重值，生成可用網(wǎng)絡(luò)模型，OpenCV中支持的兩種訓(xùn)練算法分別是：

反向傳播算法
RPROP算法

二：OpenCV中創(chuàng)建神經(jīng)網(wǎng)絡(luò)

首先創(chuàng)建多層感知器的層數(shù)：

Mat_<int> layerSizes(1, 3);
layerSizes(0, 0) = data.cols;
layerSizes(0, 1) = 20;
layerSizes(0, 2) = responses.cols;

上面幾行代碼是創(chuàng)建一個三層的感知器，輸入層跟數(shù)據(jù)維度有關(guān)系，隱藏層有20個神經(jīng)元、最后是輸出層，一般是類別表示。

Ptr<ANN_MLP> network = ANN_MLP::create();
network->setLayerSizes(layerSizes);
network->setActivationFunction(ANN_MLP::SIGMOID_SYM, 0.1, 0.1);
network->setTrainMethod(ANN_MLP::BACKPROP, 0.1, 0.1);

上述代碼是創(chuàng)建神經(jīng)網(wǎng)絡(luò)，設(shè)置層數(shù)、激活函數(shù)、訓(xùn)練方法等參數(shù)。

Ptr<TrainData> trainData = TrainData::create(data, ROW_SAMPLE, responses);
network->train(trainData);

上述代碼是創(chuàng)建訓(xùn)練數(shù)據(jù)，執(zhí)行網(wǎng)絡(luò)訓(xùn)練

三：代碼演示

OpenCV3.4中的sample的代碼演示如下：

#include<opencv2/ml/ml.hpp>
usingnamespace std;
usingnamespace cv;
usingnamespace cv::ml;
int main()
{
    //create random training data
    Mat_<float> data(100, 100);
    randn(data, Mat::zeros(1, 1, data.type()), Mat::ones(1, 1, data.type()));
    //half of the samples for each class
    Mat_<float> responses(data.rows, 2);
    for(int i = 0; i<data.rows; ++i)
    {
        if(i < data.rows / 2)
        {
            responses(i, 0) = 1;
            responses(i, 1) = 0;
        }
        else
        {
            responses(i, 0) = 0;
            responses(i, 1) = 1;
        }
    }
    /*
    //example code for just a single response (regression)
    Mat_<float> responses(data.rows, 1);
    for (int i=0; i<responses.rows; ++i)
    responses(i, 0) = i < responses.rows / 2 ? 0 : 1;
    */
    //create the neural network
    Mat_<int> layerSizes(1, 3);
    layerSizes(0, 0) = data.cols;
    layerSizes(0, 1) = 20;
    layerSizes(0, 2) = responses.cols;
    Ptr<ANN_MLP> network = ANN_MLP::create();
    network->setLayerSizes(layerSizes);
    network->setActivationFunction(ANN_MLP::SIGMOID_SYM, 0.1, 0.1);
    network->setTrainMethod(ANN_MLP::BACKPROP, 0.1, 0.1);
    Ptr<TrainData> trainData = TrainData::create(data, ROW_SAMPLE, responses);
    network->train(trainData);
    if(network->isTrained())
    {
        printf("Predict one-vector:\n");
        Mat result;
        network->predict(Mat::ones(1, data.cols, data.type()), result);
        cout << result << endl;
        printf("Predict training data:\n");
        for(int i = 0; i<data.rows; ++i)
        {
            network->predict(data.row(i), result);
            cout << result << endl;
        }
    }
    return0;
}

四：基于神經(jīng)網(wǎng)絡(luò)的實現(xiàn)mnist數(shù)據(jù)集訓(xùn)練

Mat train_images = readImages(0);
normalize(train_images, train_images, -1.0, 1.0, NORM_MINMAX, -1);
Mat train_labels = readLabels(0);
printf("\n read mnist train dataset successfully...\n");
Mat response = Mat::zeros(Size(10, train_labels.rows), CV_32FC1);
for(int i = 0; i < train_labels.rows; i++) {
    int digit = train_labels.at<int>(i, 0);
    response.at<float>(i, digit) = 1;
}
//create the neural network
Mat_<int> layerSizes(1, 3);
layerSizes(0, 0) = train_images.cols;
layerSizes(0, 1) = 100;
layerSizes(0, 2) = 10;
Ptr<ANN_MLP> network = ANN_MLP::create();
network->setLayerSizes(layerSizes);
network->setActivationFunction(ANN_MLP::SIGMOID_SYM, 0.1, 0.1);
network->setTrainMethod(ANN_MLP::BACKPROP, 0.1, 0.1);
network->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, 1000, 1e-6));
Ptr<TrainData> trainData = TrainData::create(train_images, ROW_SAMPLE, response);
printf("start network trainning...\n");
network->train(trainData);
if(network->isTrained())
{
    printf("ready to save network model data...\n");
    network->save("D:/vcprojects/images/mnist/ann_knowledge.yml");
}
test_ann_minist();
waitKey(0);
return0;

好消息！
小白學(xué)視覺知識星球
開始面向外開放啦??????



下載1：OpenCV-Contrib擴展模塊中文版教程
在「小白學(xué)視覺」公眾號后臺回復(fù)：擴展模塊中文教程，即可下載全網(wǎng)第一份OpenCV擴展模塊教程中文版，涵蓋擴展模塊安裝、SFM算法、立體視覺、目標(biāo)跟蹤、生物視覺、超分辨率處理等二十多章內(nèi)容。

下載2：Python視覺實戰(zhàn)項目52講
在「小白學(xué)視覺」公眾號后臺回復(fù)：Python視覺實戰(zhàn)項目，即可下載包括圖像分割、口罩檢測、車道線檢測、車輛計數(shù)、添加眼線、車牌識別、字符識別、情緒檢測、文本內(nèi)容提取、面部識別等31個視覺實戰(zhàn)項目，助力快速學(xué)校計算機視覺。

下載3：OpenCV實戰(zhàn)項目20講
在「小白學(xué)視覺」公眾號后臺回復(fù)：OpenCV實戰(zhàn)項目20講，即可下載含有20個基于OpenCV實現(xiàn)20個實戰(zhàn)項目，實現(xiàn)OpenCV學(xué)習(xí)進階。

交流群

歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動駕駛、計算攝影、檢測、分割、識別、醫(yī)學(xué)影像、GAN、算法競賽等微信群（以后會逐漸細(xì)分），請掃描下面微信號加群，備注：”昵稱+學(xué)校/公司+研究方向“，例如：”張三 + 上海交大 + 視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會根據(jù)研究方向邀請進入相關(guān)微信群。請勿在群內(nèi)發(fā)送廣告，否則會請出群，謝謝理解~