MLP很多图训练，颜色分割模拟深度学习语义分割

最新推荐文章于 2022-12-06 17:56:33 发布
最新推荐文章于 2022-12-06 17:56:33 发布
阅读量527 收藏 5
点赞数 2
文章标签： 深度学习 人工智能 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Douhaoyu/article/details/125411380
版权 
dev_close_window ()
dev_open_window (0, 0, 512, 512, 'black', WindowHandle)
set_display_font (WindowHandle, 12, 'mono', 'true', 'false')
dev_set_draw ('margin')
dev_set_line_width (2)
set_display_font (WindowHandle, 16, 'mono', 'true', 'false')
dev_update_window ('off')


Regions := ['yellow','blue','red','background']
Highlight := ['goldenrod','magenta','cyan','cyan']
* 
* Create an MLP classifier
create_class_mlp (3, 10, 4, 'softmax', 'normalization', 10, 42, MLPHandle)
* 
*添加黄色区域
list_files ('C:/Users/Dell/Desktop/颜色分割/图片/黄色 - 副本', ['files','follow_links'], ImageFiles)
tuple_regexp_select (ImageFiles, ['\\.(tif|tiff|gif|bmp|jpg|jpeg|jp2|png)$','ignore_case'], ImageFiles)
for i := 0 to |ImageFiles| - 1 by 1
     read_image (Image, 'C:/Users/Dell/Desktop/颜色分割/图片/黄色/' + i + '.bmp')
    * Image Acquisition 01: Do something
    dev_display (Image)
    *
    *手动绘制区域，暂时屏蔽
*     disp_message (WindowHandle, '绘制黄色区域', 'window', 10, 10, 'black', 'true')
*     draw_rectangle1 (WindowHandle, Row1, Column1, Row2, Column2)
*     gen_rectangle1 (YellowRegion, Row1, Column1, Row2, Column2)
*     dev_display (YellowRegion)
*     disp_message (WindowHandle, '绘制背景区域', 'window', 10, 10, 'black', 'true')
*     draw_rectangle1 (WindowHandle, Row11, Column11, Row21, Column21)
*     gen_rectangle1 (BackgroundRegion, Row11, Column11, Row21, Column21)
*     dev_display (BackgroundRegion)
    
    *
    *读取XML生成训练区域，暂时屏蔽
    *读取黄色区域
*     fread_xml_to_vector ('C:/Users/Dell/Desktop/颜色分割/图片/黄色 - 副本/'+i+'_Dirt.xml', LoadedElements)
*     get_vector_param_value (LoadedElements, 'Row1', Row1)
*     get_vector_param_value (LoadedElements, 'Column1', Column1)
*     get_vector_param_value (LoadedElements, 'Row2', Row2)
*     get_vector_param_value (LoadedElements, 'Column2', Column2)
*     gen_rectangle1 (YellowRegion, Row1, Column1, Row2, Column2)
*     dev_display (YellowRegion)
*     disp_message (WindowHandle, '黄色', 'image', (Row1 + Row2)/2, (Column1 + Column2)/2, 'black', 'true')
    *读取背景区域
*     fread_xml_to_vector ('C:/Users/Dell/Desktop/颜色分割/图片/黄色 - 副本/'+i+'_BackGround.xml', LoadedElements)
*     get_vector_param_value (LoadedElements, 'Row1', Row11)
*     get_vector_param_value (LoadedElements, 'Column1', Column11)
*     get_vector_param_value (LoadedElements, 'Row2', Row21)
*     get_vector_param_value (LoadedElements, 'Column2', Column21)
*     gen_rectangle1 (BackgroundRegion, Row11, Column11, Row21, Column21)
*     dev_display (BackgroundRegion)
*     disp_message (WindowHandle, '背景', 'image', (Row11 + Row21)/2, (Column11 + Column21)/2, 'black', 'true')
*     stop()
    
    *
    *直接读取区域，添加到训练区域数组
    *读取黄色区域
    read_region (YellowRegion, 'C:/Users/Dell/Desktop/颜色分割/图片/黄色 - 副本/'+i+'_Dirt.hobj')
    area_center (YellowRegion, Area1, Row1, Column1)
    dev_display (YellowRegion)
    disp_message (WindowHandle, '黄色', 'image', Row1, Column1, 'black', 'true')
    *读取背景区域
    read_region (BackgroundRegion, 'C:/Users/Dell/Desktop/颜色分割/图片/黄色 - 副本/'+i+'_background.hobj')
    area_center (BackgroundRegion, Area2, Row2, Column2)
    dev_display (BackgroundRegion)
    disp_message (WindowHandle, '背景', 'image', Row2, Column2, 'black', 'true')
    *
    *添加训练区域到数组
    *初始化训练区域和空区域(后面每添加一个种类，都要初始化对应的TrainingRegions。EmptyRegion不用初始化)
    gen_empty_region (EmptyRegion)
    gen_empty_region (EmptyRegion1)
    gen_empty_obj (TrainingRegions1)
    *添加黄色区域到训练区域数组
    concat_obj (TrainingRegions1, YellowRegion, TrainingRegions1)
    *添加空区域(在此默认蓝色,红色区域为空)到训练区域数组
    concat_obj (TrainingRegions1, EmptyRegion, TrainingRegions1)
    concat_obj (TrainingRegions1, EmptyRegion1, TrainingRegions1)
    *添加背景区域到训练区域数组
    concat_obj (TrainingRegions1, BackgroundRegion, TrainingRegions1)
    *添加训练区域
    add_samples_image_class_mlp (Image, TrainingRegions1, MLPHandle)
    stop ()
endfor
stop ()

* 
*添加蓝色区域
list_files ('C:/Users/Dell/Desktop/颜色分割/图片/蓝色', ['files','follow_links'], ImageFiles)
tuple_regexp_select (ImageFiles, ['\\.(tif|tiff|gif|bmp|jpg|jpeg|jp2|png)$','ignore_case'], ImageFiles)
for i := 0 to |ImageFiles| - 1 by 1
    read_image (Image, 'C:/Users/Dell/Desktop/颜色分割/图片/蓝色/' + i + '.bmp')
    dev_display (Image)
     *
     *手动绘制区域，暂时屏蔽
*     disp_message (WindowHandle, '绘制蓝色区域', 'image', 10, 10, 'black', 'true')
*     draw_rectangle1 (WindowHandle, Row12, Column12, Row22, Column22)
*     gen_rectangle1 (BlueRegion,  Row12, Column12, Row22, Column22)
*     dev_display (BlueRegion)
*     disp_message (WindowHandle, '绘制背景区域', 'image', 10, 10, 'black', 'true')
*     draw_rectangle1 (WindowHandle, Row13, Column13, Row23, Column23)
*     gen_rectangle1 (BackgroundRegion, Row13, Column13, Row23, Column23)
*     dev_display (BackgroundRegion)
    
    *
    *读取XML生成训练区域，暂时屏蔽
    *读取蓝色区域
*     fread_xml_to_vector ('C:/Users/Dell/Desktop/颜色分割/图片/蓝色/'+i+'_Dirt.xml', LoadedElements)
*     get_vector_param_value (LoadedElements, 'Row1', Row1)
*     get_vector_param_value (LoadedElements, 'Column1', Column1)
*     get_vector_param_value (LoadedElements, 'Row2', Row2)
*     get_vector_param_value (LoadedElements, 'Column2', Column2)
*     gen_rectangle1 (BlueRegion, Row1, Column1, Row2, Column2)
*     dev_display (BlueRegion)
*     disp_message (WindowHandle, '蓝色', 'image', (Row1 + Row2)/2, (Column1 + Column2)/2, 'black', 'true')
    *读取背景区域
*     fread_xml_to_vector ('C:/Users/Dell/Desktop/颜色分割/图片/蓝色/'+i+'_BackGround.xml', LoadedElements)
*     get_vector_param_value (LoadedElements, 'Row1', Row11)
*     get_vector_param_value (LoadedElements, 'Column1', Column11)
*     get_vector_param_value (LoadedElements, 'Row2', Row21)
*     get_vector_param_value (LoadedElements, 'Column2', Column21)
*     gen_rectangle1 (BackgroundRegion, Row11, Column11, Row21, Column21)
*     dev_display (BackgroundRegion)
*     disp_message (WindowHandle, '背景', 'image', (Row11 + Row21)/2, (Column11 + Column21)/2, 'black', 'true')
*     stop()
    
    
    *
    *直接读取区域，添加到训练区域数组
    *读取蓝色区域
    read_region (BlueRegion, 'C:/Users/Dell/Desktop/颜色分割/图片/蓝色/'+i+'_Dirt.hobj')
    area_center (BlueRegion, Area3, Row3, Column3)
    dev_display (BlueRegion)
    disp_message (WindowHandle, '蓝色', 'image', Row3, Column3, 'black', 'true')
    *读取背景区域
    read_region (BackgroundRegion, 'C:/Users/Dell/Desktop/粉末颜色分割/图片/蓝色/'+i+'_background.hobj')
    area_center (BackgroundRegion, Area4, Row4, Column4)
    dev_display (BackgroundRegion)
    disp_message (WindowHandle, '背景', 'image', Row4, Column4, 'black', 'true')
    *添加训练区域到MLP
    gen_empty_obj (TrainingRegions2)
    *添加空区域(在此默认黄色区域为空)到训练区域数组
    concat_obj (TrainingRegions2, EmptyRegion, TrainingRegions2)
    *添加蓝色区域到训练区域数组
    concat_obj (TrainingRegions2, BlueRegion, TrainingRegions2)
    *添加空区域(在此默认红色区域为空)到训练区域数组
    concat_obj (TrainingRegions2, EmptyRegion1, TrainingRegions2)
    *添加背景区域到训练区域数组
    concat_obj (TrainingRegions2, BackgroundRegion, TrainingRegions2)
    add_samples_image_class_mlp (Image, TrainingRegions2, MLPHandle)
    stop ()
endfor
stop ()
* 
*添加红色区域
list_files ('C:/Users/Dell/Desktop/颜色分割/图片/红色', ['files','follow_links'], ImageFiles)
tuple_regexp_select (ImageFiles, ['\\.(tif|tiff|gif|bmp|jpg|jpeg|jp2|png)$','ignore_case'], ImageFiles)
for i := 0 to |ImageFiles| - 1 by 1
    read_image (Image, 'C:/Users/Dell/Desktop/颜色分割/图片/红色/' + i + '.bmp')
    dev_display (Image)
    *
    *直接读取区域，添加到训练区域数组
    *读取蓝色区域
    read_region (RedRegion, 'C:/Users/Dell/Desktop/颜色分割/图片/红色/'+i+'_Dirt.hobj')
    area_center (RedRegion, Area4, Row4, Column4)
    dev_display (RedRegion)
    disp_message (WindowHandle, '红色', 'image', Row4, Column4, 'black', 'true')
    *读取背景区域
    read_region (BackgroundRegion, 'C:/Users/Dell/Desktop/颜色分割/图片/红色/'+i+'_background.hobj')
    area_center (BackgroundRegion, Area5, Row5, Column5)
    dev_display (BackgroundRegion)
    disp_message (WindowHandle, '背景', 'image', Row5, Column5, 'black', 'true')
    *添加训练区域到MLP
    gen_empty_obj (TrainingRegions3)
    *添加空区域(在此默认黄色，蓝色区域为空)到训练区域数组
    concat_obj (TrainingRegions3, EmptyRegion, TrainingRegions3)
    concat_obj (TrainingRegions3, EmptyRegion1, TrainingRegions3)
    *添加红色区域到训练区域数组
    concat_obj (TrainingRegions3, RedRegion, TrainingRegions3)
    *添加背景区域到训练区域数组
    concat_obj (TrainingRegions3, BackgroundRegion, TrainingRegions3)
    add_samples_image_class_mlp (Image, TrainingRegions3, MLPHandle)
    stop ()
endfor
stop ()



* 训练分类器
disp_message (WindowHandle, 'Training...', 'image', 10, 10, 'black', 'true')
train_class_mlp (MLPHandle, 500, 0.5, 0.01, Error, ErrorLog)
write_class_mlp (MLPHandle, 'C:/Users/Dell/Desktop/颜色分割/ColorSegment.gmc')
disp_message (WindowHandle, 'completed', 'image', 10, 10, 'black', 'true')
disp_continue_message (WindowHandle, 'black', 'true')
dev_set_color ('white')
stop ()
dev_set_draw ('margin')
clear_class_mlp (MLPHandle)

*测试
read_class_mlp ('C:/Users/Dell/Desktop/颜色分割/ColorSegment.gmc', MLPHandle1)
list_files ('C:/Users/Dell/Desktop/颜色分割/测试图片', ['files','follow_links'], ImageFiles)
tuple_regexp_select (ImageFiles, ['\\.(tif|tiff|gif|bmp|jpg|jpeg|jp2|png)$','ignore_case'], ImageFiles)
for i := 0 to |ImageFiles| - 1 by 1
    read_image (Image, ImageFiles[i])
       * 
    * Apply the trained classes
    classify_image_class_mlp (Image, ClassRegions, MLPHandle1, 0.5)
    dev_display (Image)
    dev_set_line_width (2)
    * 
    * Count the number of game pieces for each color class
    for Figure := 1 to |Regions|-1 by 1
        copy_obj (ClassRegions, ObjectsSelected, Figure, 1)
        connection (ObjectsSelected, ConnectedRegions)
        select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', 10, 999999)
        union1 (SelectedRegions, RegionUnion)
        area_center (RegionUnion, Area, Row, Column)
        if (|Area|=0)
            Area:=0
        endif
        count_obj (SelectedRegions, Number)
        dev_set_color (Highlight[Figure - 1])
        dev_display (SelectedRegions)
        OutString := Regions[Figure - 1] + ': ' + Number + '   '
        dev_set_color ('green')
        disp_message (WindowHandle, OutString, 'window', 10 + 30 * Figure, 12, 'black', 'false')
        disp_message (WindowHandle, ' 面积：'+Area, 'window', 10 + 30 * Figure, 120, 'red', 'false')
        
    endfor
    stop()
endfor
clear_class_mlp (MLPHandle1)

此算法实现了类似深度学习语义分割的功能，首先把不同颜色的图片，按颜色分类，每种颜色一个文件夹。然后在Halcon里面分别对每个文件夹，标注需要训练的颜色区域。绘制区域并保存到本地。最后把图片和区域依次一一对应读进来，训练。特别要注意的是，每次调用add_samples_image_class_mlp (Image, TrainingRegions3, MLPHandle)算子时，需要把当前添加的颜色区域读出来，并且把背景区域读出来，重要的是要记住把其余颜色区域，用空区域代替，最后把所有的区域 放在一个数组里面，添加到mlp。
在这里插入图片描述

豆浩宇
关注
  • 2
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
颜色分类leetcode-DeepLearningCamelyon:深度学习-Camelyon16数据集
07-06
颜色分类leetcode Camelyon 2016 数据集的深度学习管道 Weizhe Li, Weijie Chen 0 - 准备 0.1 搭建深度学习环境。 0.2 尽快安装及图片展示 比较 ASAP 和 OpenSlide：ASAP 没有详细的手册来描述它的命令； OpenSlide 有一个更好的命令文档。 ASAP 有一个 GUI； OpenSlide 没有 0.3 掩码文件生成 掩码文件是模型训练的基本事实。 掩码文件与其对应的 WSI 图像具有完全相同的尺寸。 掩码文件是一个二进制文件，对于 WSI 图像的每个相应像素，正常组织编码为“0”，肿瘤组织编码为“1”。 但是，主办方提供的代码具有误导性。 代码从他们的论文中生成的掩码文件全是'0'； 然后另一段代码建议生成的掩码文件只能通过 ASAP GUI 打开，而不是通过其命令行和 OpenSlide。 耗时 WSI 和掩码文件：tumor_026 WSI 和掩码文件：tumor_005 1 - 带注释的 WSI 可视化 注释可视化 2 - 图像预处理 2.1 图像分割 为了减少计算，将排除载玻片上的空白区域（无组织）。
深度学习语义分割python程序pointnet算法
最新发布
04-27
深度学习语义分割是计算机视觉领域的一个重要任务，它的目标是将图像的每个像素分配到预定义的类别中。PointNet算法是针对三维点云数据处理的一种开创性方法，尤其适用于3D对象识别和分割。在Python环境中实现Point...
Tensorflow深度学习之十二：基础图像处理之二
DaVinciL的博客
08-02 4821
首先放出原始图像：1、图像的翻转import tensorflow as tf import cv2# 这里定义一个tensorflow读取的图片格式转换为opencv读取的图片格式的函数 # 请注意： # 在tensorflow中，一个像素点的颜色顺序是R，G，B。 # 在opencv中，一个像素点的颜色顺序是B，G，R。 # 因此，我们循环遍历每一个像素点，将第0位的颜色和第2位的颜色数值换一下
CNN | 01实现颜色分类
“逛丢一只鞋”的博客
08-07 6712
1 实现颜色分类 1.1 提出问题 大家知道卷积神经网络可以在图像分类上发挥作用，而一般的图像都是彩色的，也就是说卷积神经网络应该可以判别颜色的。这一节中我们来测试一下颜色分类问题，也就是说，不管几何图形是什么样子的，只针对颜色进行分类。 先看一下样本数据，如图18-14。 图18-14 颜色分类样本数据图 在样本数据中，一共有6种颜色，分别是： 红色 red 绿色 green 蓝色 blue 青色（蓝+绿） cyan 黄色（红+绿） yellow 粉色（红+蓝） pink 而这6种颜色是分布在5种形
深度学习——(CNN)_彩色图片分类 | 01
weixin_45823221的博客
02-18 789
目录 一、前期工作 1.设置GPU 2.导入数据 3.归一化 4.可视化 二、构建CNN网络 三、编译 四、训练模型 五、预测 六、模型评估 一、前期工作 1.设置GPU 2.导入数据 3.归一化 4.可视化 二、构建CNN网络 三、编译 四、训练模型 五、预测 六、模型评估 ...
365天深度学习训练营-第P2周：彩色图片识别
weixin_44954995的博客
09-30 858
- **🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/xLjALoOD8HPZcH563En8bQ) 中的学习记录博客**>- **🍦 参考文章：[365天深度学习训练营-第P2周：彩色识别](https://mp.weixin.qq.com/s/BKsTrlOtu32bQzgORaMLEw)**>- **🍖 原作者：[K同学啊|接辅导、项目定制](https://mtyjkh.blog.csdn.net/)**📌第P2周：彩色图片识别📌。
深度学习点云分割：PointNet系列和代码.zip
04-18
点云分割是自动驾驶领域中的关键技术之一，用于理解周围环境并为车辆提供决策支持。深度学习在这一领域扮演了重要角色，尤其是PointNet系列算法。本文将深入探讨PointNet及其变体，以及它们如何应用于点云数据处理，...
Segformer语义分割
04-24
它将输入特征图分为多个通道，然后通过线性变换（即Multi-Head Self-Attention，MHSA）和多层感知机（MLP）处理，分别处理通道间和通道内的信息。 2. **Positional Encoding**：与Transformer一样，Segformer也需要...
MLP_深度学习MLP_MLP_
09-30
标题“MLP_深度学习MLP_MLP_”和描述中提到的“使用深度学习框架MLP识别手写数据集MINIST”都指向了一个主题：多层感知器（Multilayer Perceptron, MLP）在深度学习中处理手写数字识别问题的应用。这里我们将深入...
基于MLP深度学习算法的DGA准确识别技术研究.pdf
08-19
基于MLP深度学习算法的DGA准确识别技术研究 本文研究基于MLP深度学习算法的DGA准确识别技术，旨在解决传统DGA攻击检测方法无法满足对不断变种的DGA域名的识别问题。通过对DGA样本数据集的处理，提取多维度的特征...
颜色分类leetcode-Applied-Deep-Learning:应用深度学习
07-06
颜色分类leetcode 应用深度学习 () 课程目标和先决条件： 这是一门为期两个学期的课程，主要为研究生设计。 但是，也欢迎在概率、统计学（例如，线性和逻辑回归）、数值线性代数和优化方面表现出强大背景的本科生注册。 我们的目标是让学生熟悉行业中采用的最先进的深度学习技术。 深度学习是一个每隔几个月就会见证一次小型革命的领域。 因此，注册本课程的学生渴望学习新概念非常重要。 很多深度学习只是软件工程。 因此，学生应该能够在完成作业时编写干净的代码。 Python 将是本课程中使用的编程语言。 熟悉 TensorFlow 和 PyTorch 是一个加分项，但不是必需条件。 但是，随着课程的进行，学生愿意努力学习和使用这两个框架是非常重要的。 第一部分主题（秋季学期） 训练深度神经网络 () () 计算机视觉 图像分类 大型网络 () () 小型网络 () () 自动机器学习 () () 稳健性 () () 可视化与理解 () () 迁移学习 () () 域适配() 少拍学习 () 联邦学习 () 自我训练与对比学习 () 图像变换 语义分割 () () 超分辨率、去噪和着色 () ()
颜色分类leetcode-Deeplearning-digital-pathology:将深度学习应用于虚拟幻灯片的完整包
07-06
颜色分类leetcode 深度学习数字病理学 该存储库包含用于图像分类和语义分割的实用程序，以及 Keras 的ImageDataGenerator的扩展类，以生成具有用于分割的数据增强的批量图像。 提供演示代码以供参考。 要求 Python 2.7 OpenCV 3.4 Numpy 1.14 Tensorflow 1.7 Keras 2.1 OpenSlide 1.1 Caffe 0.15 (optional) 入门 它显示了使用 Keras 或 Caffe 模型分割整个虚拟幻灯片或在网格中对幻灯片进行分类并保存结果的示例。 分割： 分类： 它显示了使用 Keras 或 Caffe 模型对文件夹中的图像进行分割或分类并保存结果的示例。 它显示了从头开始训练分割模型的示例。 内容 详细的函数使用见注释或使用help 。 Keras 的ImageDataGenerator的扩展，用于分割图像迭代，具有类似的flow_from_directory api。 图像目录的结构如下： "directory" ├── "image_subfolder" │ ├── image1.png │ ├──
深度学习（四） 图像语义分割问题概述与实践
Hello World!
03-03 6320
图像语义分割(Semantic Segmentation) 是图像处理和机器学习视觉技术中关于图像理解的重要一环，也是 AI 领域中一个重要的分支。图像语义分割问题就是对图像中的不同物体打上语义标签（用不同的颜色代表不同类别的物体），其本质即是对图像中每一个像素点进行分类，确定每个点的类别（如属于背景、人或车等），从而进行区域划分。目前，语义分割已经被广泛应用于自动驾驶、无人机落点判定等场景中。其实，图像语义分割问题相对于传统的神经网络分类就是将概率分类问题扩展到了二维空间的每个像素点上，因此...
Python：基于深度学习的图像分割后修改图片颜色（以VOC2012数据集为例）
qq_40821469的博客
04-28 3174
用深度学习算法对图像进行分割任务后，得到的分割图像中的物体往往是各种不同深浅的灰色，不容易看清楚各物体的界限。以VOC2012为例，可以使用以下程序对分割后输出的图像批量修改颜色。 import os from PIL import Image import time from tqdm import tqdm # 源目录 MyPath = 'D:\code\ChangeColor\sem_seg/' # 输出目录 OutPath = 'D:\code\ChangeColor\sem_seg_out/'
深度学习训练营之彩色图片分类
qq_62904883的博客
12-06 363
本次主要学习对图片进行分类的操作
深度学习&图像处理（色彩编辑4）
OpenSceneGraph的博客
09-09 1609
1.YUV转换 YUV，是一种颜色编码方法。“Y”表示明亮度（Luminance或Luma），也就是灰阶值，“U”和“V”表示的则是色度（Chrominance或Chroma），作用是描述影像色彩及饱和度，用于指定像素的颜色。 YUV颜色模式的Y通道与UV是分离的，没有UV色度信号的话则表示黑白图像。YUV主要用于彩色视频的优化，被用在彩色电视系统中，可以兼容黑白电视，黑白电视和彩色电视在接受...
深度学习之图像分割（语义分割）
JINGAUN的博客
03-02 6455
深度学习之图像分割 深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向，是指通过学习样本数据的内在规律和表示层次，进而挖掘出数据间内在逻辑关系，进行反复学习，最终让机器具有分析数据能力，可以识别文字、图像、声音等数据。 文章目录深度学习之图像分割前言一、图像分割1.图像分割分类二、语义分割1.实现步骤2.读入数据总结 前言 随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人在各个领域开启学习机器学习，在医疗领域深度学
史上最全 | 基于深度学习的3D分割综述（RGB-D/点云/体素/多目）
CV_Autobot的博客
11-03 4202
点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【分割】术交流群后台回复【分割综述】获取语义分割、实例分割、全景分割、弱监督分割等超全学习资料！摘要3D目标分割是计算机视觉中的一个基本且具有挑战性的问题，在自动驾驶、机器人、增强现实和医学图像分析等领域有着广泛的应用。它受到了计算机视觉、图形和机器学习社区的极大关注。传统上，3D分割是用人工设计的特征和工程方...
【CVPR2020】Fast Soft Color Segmentation
PRIS-SCMonkey的博客
06-22 2110
Fast Soft Color SegmentationSoft Color Segmentation 软颜色分割 非常偶然的在胖圈看到有人推荐这篇CVPR2020的论文，Fast Soft Color Segmentation，感觉名字很有趣，本想在百度里面就可以百度到，结果…不过天无绝人之路，我竟然非常偶然的在b站看到了一个up主（一键三连嘛～Richard日常读paper）有分享过这篇论文的阅读并且成功蹭到了pdf，感动的留下了泪水，所以借花献佛也来和大家分享一下这篇论文。 Soft Color Se
mlp多层感知机与深度学习
09-03
mlp多层感知机与深度学习密切相关。深度学习是一种机器学习的方法，它基于神经网络的多层结构进行建模和训练。多层感知机(MLP)是最简单的神经网络结构之一，也是深度学习中常用的模型之一。 MLP由多个计算层组成，包括输入层、若干个隐层和输出层。每个隐层都由多个隐单元组成，而隐单元的个数是根据数据集的复杂度来确定的。对于简单的数据集，可以选择较少的隐单元，而对于复杂的数据集，可以选择更多的隐单元，甚至可以添加多个隐层。 例如，当我们使用MLP进行分类任务时，可以使用两个隐层，每个隐层都包含10个隐单元。这样的设置可以通过修改MLPClassifier类的hidden_layer_sizes属性来实现。具体的代码如下所示： ``` mlp = MLPClassifier(solver='lbfgs', random_state=0, hidden_layer_sizes=[10, 10]) ``` 这个设置意味着我们有两个隐层，每个隐层都有10个隐单元。 因此，通过使用MLP多层感知机，我们可以实现深度学习中的模型构建和训练，以解决各种机器学习问题。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [深度学习简介与MLP多层感知机](https://blog.csdn.net/qq_43355223/article/details/86593078)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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
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