opencv神经网络训练时的目标矩阵构建方法

本文链接：https://blog.csdn.net/mikedadong/article/details/51133338

本文详细介绍了在模式识别任务中，如何使用算法神经网络和SVM进行训练，重点阐述了构建142个目标向量的过程，以及如何将这些向量应用于神经网络和SVM模型中。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在做模式识别时，应用算法神经网络或者SVM训练时，要用到目标数据，每个样本对应一个目标向量，因此142个训练样本就要有142个目标向量，想了很久，终于构建出来了，构建的矩阵为142*7，目标对应的节点为1，其余为零
方法如下：

        Mat labels=Mat::zeros(142,7,CV_8SC1);
        Mat a=labels.rowRange(0,20);
        a.colRange(0,1).setTo(1);
        Mat b=labels.rowRange(20,39);
        b.colRange(1,2).setTo(1);
        Mat c=labels.rowRange(39,60);
        c.colRange(2,3).setTo(1);
        Mat d=labels.rowRange(60,81);
        d.colRange(3,4).setTo(1);
        Mat e=labels.rowRange(81,101);
        e.colRange(4,5).setTo(1);
        Mat f=labels.rowRange(101,122);
        f.colRange(5,6).setTo(1);
        Mat g=labels.rowRange(122,142);
        g.colRange(6,7).setTo(1);
        cout<<labels<<endl;
    输出结果如下：
     [1, 0, 0, 0, 0, 0, 0;
      1, 0, 0, 0, 0, 0, 0;
      1, 0, 0, 0, 0, 0, 0;
      1, 0, 0, 0, 0, 0, 0;
      1, 0, 0, 0, 0, 0, 0;
      1, 0, 0, 0, 0, 0, 0;
      1, 0, 0, 0, 0, 0, 0;
      1, 0, 0, 0, 0, 0, 0;
      1, 0, 0, 0, 0, 0, 0;
      1, 0, 0, 0, 0, 0, 0;
      1, 0, 0, 0, 0, 0, 0;
      1, 0, 0, 0, 0, 0, 0;
      1, 0, 0, 0, 0, 0, 0;
      1, 0, 0, 0, 0, 0, 0;
      1, 0, 0, 0, 0, 0, 0;
      1, 0, 0, 0, 0, 0, 0;
      1, 0, 0, 0, 0, 0, 0;
      1, 0, 0, 0, 0, 0, 0;
      1, 0, 0, 0, 0, 0, 0;
      1, 0, 0, 0, 0, 0, 0;
      0, 1, 0, 0, 0, 0, 0;
      0, 1, 0, 0, 0, 0, 0;
      0, 1, 0, 0, 0, 0, 0;
      0, 1, 0, 0, 0, 0, 0;
      0, 1, 0, 0, 0, 0, 0;
      0, 1, 0, 0, 0, 0, 0;
      0, 1, 0, 0, 0, 0, 0;
      0, 1, 0, 0, 0, 0, 0;
      0, 1, 0, 0, 0, 0, 0;
      0, 1, 0, 0, 0, 0, 0;
      0, 1, 0, 0, 0, 0, 0;
      0, 1, 0, 0, 0, 0, 0;
      0, 1, 0, 0, 0, 0, 0;
      0, 1, 0, 0, 0, 0, 0;
      0, 1, 0, 0, 0, 0, 0;
      0, 1, 0, 0, 0, 0, 0;
      0, 1, 0, 0, 0, 0, 0;
      0, 1, 0, 0, 0, 0, 0;
      0, 1, 0, 0, 0, 0, 0;
      0, 0, 1, 0, 0, 0, 0;
      0, 0, 1, 0, 0, 0, 0;
      0, 0, 1, 0, 0, 0, 0;
      0, 0, 1, 0, 0, 0, 0;
      0, 0, 1, 0, 0, 0, 0;
      0, 0, 1, 0, 0, 0, 0;
      0, 0, 1, 0, 0, 0, 0;
      0, 0, 1, 0, 0, 0, 0;
      0, 0, 1, 0, 0, 0, 0;
      0, 0, 1, 0, 0, 0, 0;
      0, 0, 1, 0, 0, 0, 0;
      0, 0, 1, 0, 0, 0, 0;
      0, 0, 1, 0, 0, 0, 0;
      0, 0, 1, 0, 0, 0, 0;
      0, 0, 1, 0, 0, 0, 0;
      0, 0, 1, 0, 0, 0, 0;
      0, 0, 1, 0, 0, 0, 0;
      0, 0, 1, 0, 0, 0, 0;
      0, 0, 1, 0, 0, 0, 0;
      0, 0, 1, 0, 0, 0, 0;
      0, 0, 1, 0, 0, 0, 0;
      0, 0, 0, 1, 0, 0, 0;
      0, 0, 0, 1, 0, 0, 0;
      0, 0, 0, 1, 0, 0, 0;
      0, 0, 0, 1, 0, 0, 0;
      0, 0, 0, 1, 0, 0, 0;
      0, 0, 0, 1, 0, 0, 0;
      0, 0, 0, 1, 0, 0, 0;
      0, 0, 0, 1, 0, 0, 0;
      0, 0, 0, 1, 0, 0, 0;
      0, 0, 0, 1, 0, 0, 0;
      0, 0, 0, 1, 0, 0, 0;
      0, 0, 0, 1, 0, 0, 0;
      0, 0, 0, 1, 0, 0, 0;
      0, 0, 0, 1, 0, 0, 0;
      0, 0, 0, 1, 0, 0, 0;
      0, 0, 0, 1, 0, 0, 0;
      0, 0, 0, 1, 0, 0, 0;
      0, 0, 0, 1, 0, 0, 0;
      0, 0, 0, 1, 0, 0, 0;
      0, 0, 0, 1, 0, 0, 0;
      0, 0, 0, 1, 0, 0, 0;
      0, 0, 0, 0, 1, 0, 0;
      0, 0, 0, 0, 1, 0, 0;
      0, 0, 0, 0, 1, 0, 0;
      0, 0, 0, 0, 1, 0, 0;
      0, 0, 0, 0, 1, 0, 0;
      0, 0, 0, 0, 1, 0, 0;
      0, 0, 0, 0, 1, 0, 0;
      0, 0, 0, 0, 1, 0, 0;
      0, 0, 0, 0, 1, 0, 0;
      0, 0, 0, 0, 1, 0, 0;
      0, 0, 0, 0, 1, 0, 0;
      0, 0, 0, 0, 1, 0, 0;
      0, 0, 0, 0, 1, 0, 0;
      0, 0, 0, 0, 1, 0, 0;
      0, 0, 0, 0, 1, 0, 0;
      0, 0, 0, 0, 1, 0, 0;
      0, 0, 0, 0, 1, 0, 0;
      0, 0, 0, 0, 1, 0, 0;
      0, 0, 0, 0, 1, 0, 0;
      0, 0, 0, 0, 1, 0, 0;
      0, 0, 0, 0, 0, 1, 0;
      0, 0, 0, 0, 0, 1, 0;
      0, 0, 0, 0, 0, 1, 0;
      0, 0, 0, 0, 0, 1, 0;
      0, 0, 0, 0, 0, 1, 0;
      0, 0, 0, 0, 0, 1, 0;
      0, 0, 0, 0, 0, 1, 0;
      0, 0, 0, 0, 0, 1, 0;
      0, 0, 0, 0, 0, 1, 0;
      0, 0, 0, 0, 0, 1, 0;
      0, 0, 0, 0, 0, 1, 0;
      0, 0, 0, 0, 0, 1, 0;
      0, 0, 0, 0, 0, 1, 0;
      0, 0, 0, 0, 0, 1, 0;
      0, 0, 0, 0, 0, 1, 0;
      0, 0, 0, 0, 0, 1, 0;
      0, 0, 0, 0, 0, 1, 0;
      0, 0, 0, 0, 0, 1, 0;
      0, 0, 0, 0, 0, 1, 0;
      0, 0, 0, 0, 0, 1, 0;
      0, 0, 0, 0, 0, 1, 0;
      0, 0, 0, 0, 0, 0, 1;
      0, 0, 0, 0, 0, 0, 1;
      0, 0, 0, 0, 0, 0, 1;
      0, 0, 0, 0, 0, 0, 1;
      0, 0, 0, 0, 0, 0, 1;
      0, 0, 0, 0, 0, 0, 1;
      0, 0, 0, 0, 0, 0, 1;
      0, 0, 0, 0, 0, 0, 1;
      0, 0, 0, 0, 0, 0, 1;
      0, 0, 0, 0, 0, 0, 1;
      0, 0, 0, 0, 0, 0, 1;
      0, 0, 0, 0, 0, 0, 1;
      0, 0, 0, 0, 0, 0, 1;
      0, 0, 0, 0, 0, 0, 1;
      0, 0, 0, 0, 0, 0, 1;
      0, 0, 0, 0, 0, 0, 1;
      0, 0, 0, 0, 0, 0, 1;
      0, 0, 0, 0, 0, 0, 1;
      0, 0, 0, 0, 0, 0, 1;
      0, 0, 0, 0, 0, 0, 1]