m0_49100031的博客

概述：在深度学习的过程当中，我们通常会碰到优化这个问题，但是优化结果往往不是最优解，这是因为你认为的梯度为0的点，不一定是全局最小值的点，还有可能是局部最小值的点，即鞍点。首先来看看最优化的定义：对于目标函数f(x)，如果f(x)在x上的值比在x邻近的其他点的值更小，那么f(x)可能是一个局部最小值（local minimum）。如果f(x)在x上的值是目标函数在整个定义域上的最小值，那么f(x)是全局最小值（global minimum）。比如在下面这张图中：这张图中存在两个梯度为0的点，但是一个

一：所需环境numpyscipyPillowcythonmatplotlibscikit-imagetensorflow>=1.3.0keras>=2.0.8opencv-pythonh5pyimgaugIPython[all]快速安装tensorflow-gpu链接：https://blog.csdn.net/m0_49100031/article/details/119534426?spm=1001.2014.3001.5502二：准备数据labelme数据标

1.打开conda Prompt添加清华镜像源conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/conda config --set show_channel_urls yes2.创建环境新建环境：conda cre

基于轮廓的图像分割：按照轮廓的面积进行排序，取前几个面积最大的轮廓，画出并且单独显示出来。import cv2import numpydef func(img): gray = cv2.cvtColor(img,COLOR_BGR2RAGY) #灰度处理 kernel = np.ones((3,3),np.uint8) # 进行开闭运算，可视情况处理 binary = cv2.morphologyEx(gray, cv2.MORPH_OPEN, kernel) closing