吴恩达作业笔记-CNN02-导入包

import math
import numpy as np
import h5py
import matplotlib.pyplot as plt
import scipy
from PIL import Image
from scipy import ndimage
import tensorflow as tf
from tensorflow.python.framework import ops
from cnn_utils import *

import math

让python导入数学模块,使python支持一系列数学函数和常量


import numpy as np

NumPy提供了两种基本的对象:ndarray(N-dimensional array object)和 ufunc(universal function object
支持大量的维度数组与矩阵运算,此外也针对数组运算提供大量的数学函数库。
比python本身嵌套列表要方便。


import h5py

An HDF5 file is a container for two kinds of objects: datasets, which are array-like collections of data, and groups, which are folder-like containers that hold datasets and other groups.
HDF5文件是两种对象的容器:数据集(类数组的数据集合)和组(类文件夹的容器,包含数据集和其他组)。


import matplotlib.pyplot as plt

画图


import sc
  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
手势识别是一种将手部动作转化为对应意义的技术,在很多场景中具有广泛的应用,比如虚拟现实、智能家居等。为了实现手势识别,可以使用CNN神经网络,并使用TensorFlow进行实现。 首先,从数据集开始。为了训练CNN模型,需要大量手势图像数据。可以通过收集一些具有不同手势动作的图片或者使用现有的手势数据集。这些图像数据需要进行预处理,括调整大小、归一化等。 接下来,搭建CNN神经网络模型。在TensorFlow中,可以使用tf.keras来创建CNN模型。可以选择一些典型的卷积层、池化层和全连接层,来提取图像的特征和进行分类。同时,可以在模型中使用一些常见的技巧,如Dropout和Batch Normalization等,以提高模型的性能和鲁棒性。 然后,进行模型的训练与评估。首先,将数据集划分为训练集和测试集,一般约为80%用于训练,20%用于测试。使用训练集来对模型进行训练,通过反向传播算法来更新模型的参数,使其能够准确地预测出手势动作。然后,使用测试集来评估模型的性能,括准确率、召回率等指标。 最后,使用模型进行手势识别。当模型训练完成后,将新的手势图像输入到模型中,模型将输出对应的手势动作。可以对模型的输出进行后处理,使之符合实际的应用场景,比如显示手势对应的文字或者控制设备等。 通过以上步骤,可以实现手势识别的CNN神经网络模型,并使用TensorFlow进行实现。这个模型可以应用于各种场景中,提高交互的便捷性和智能化水平。当然,模型的性能也需要不断地进行优化和改进,以提高准确率和鲁棒性。

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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