机器学习sklearn19.0聚类算法——Kmeans算法

原

机器学习sklearn19.0聚类算法——Kmeans算法

2017年12月17日 10:18:16 一、关于聚类及相似度、距离的知识点

二、k-means算法思想与流程

三、sklearn中对于kmeans算法的参数

四、代码示例以及应用的知识点简介

（1）make_blobs：聚类数据生成器

sklearn.datasets.make_blobs(n_samples=100, n_features=2,centers=3, cluster_std=1.0, center_box=(-10.0, 10.0), shuffle=True, random_state=None)[source]

返回值为：

（2）np.vstack方法作用——堆叠数组

详细介绍参照博客链接：http://blog.csdn.net/csdn15698845876/article/details/73380803

#!/usr/bin/env python
# -*- coding:utf-8 -*-
# Author:ZhengzhengLiu

#k-means聚类算法

import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import matplotlib.colors
import sklearn.datasets as ds
from sklearn.cluster import KMeans #引入kmeans

#解决中文显示问题
mpl.rcParams[‘font.sans-serif’] = [u’SimHei’]
mpl.rcParams[‘axes.unicode_minus’] = False

#产生模拟数据
N = 1500
centers = 4
#make_blobs:聚类数据生成器
data,y = ds.make_blobs(N,n_features=2,centers=centers,random_state=28)

data2,y2 = ds.make_blobs(N,n_features=2,centers=centers,random_state=28)
data3 = np.vstack((data[y0][:200],data[y1][:100],data[y2][:10],data[y3][:50]))
y3 = np.array([0]*200+[1]*100+[2]*10+[3]*50)

#模型的构建
km = KMeans(n_clusters=centers,random_state=28)
km.fit(data,y)
y_hat = km.predict(data)
print(“所有样本距离聚簇中心点的总距离和:”,km.inertia_)
print(“距离聚簇中心点的平均距离:”,(km.inertia_/N))
print(“聚簇中心点:”,km.cluster_centers_)

y_hat2 = km.fit_predict(data2)
y_hat3 = km.fit_predict(data3)

def expandBorder(a, b):
d = (b - a) * 0.1
return a-d, b+d

#画图
cm = mpl.colors.ListedColormap(list(“rgbmyc”))
plt.figure(figsize=(15,9),facecolor=“w”)
plt.subplot(241)
plt.scatter(data[:,0],data[:,1],c=y,s=30,cmap=cm,edgecolors=“none”)

x1_min,x2_min = np.min(data,axis=0)
x1_max,x2_max = np.max(data,axis=0)
x1_min,x1_max = expandBorder(x1_min,x1_max)
x2_min,x2_max = expandBorder(x2_min,x2_max)
plt.xlim((x1_min,x1_max))
plt.ylim((x2_min,x2_max))
plt.title(“原始数据”)
plt.grid(True)

plt.subplot(242)
plt.scatter(data[:, 0], data[:, 1], c=y_hat, s=30, cmap=cm, edgecolors=‘none’)
plt.xlim((x1_min, x1_max))
plt.ylim((x2_min, x2_max))
plt.title(u’K-Means算法聚类结果’)
plt.grid(True)

m = np.array(((1, 1), (0.5, 5)))
data_r = data.dot(m)
y_r_hat = km.fit_predict(data_r)
plt.subplot(243)
plt.scatter(data_r[:, 0], data_r[:, 1], c=y, s=30, cmap=cm, edgecolors=‘none’)

x1_min, x2_min = np.min(data_r, axis=0)
x1_max, x2_max = np.max(data_r, axis=0)
x1_min, x1_max = expandBorder(x1_min, x1_max)
x2_min, x2_max = expandBorder(x2_min, x2_max)

plt.xlim((x1_min, x1_max))
plt.ylim((x2_min, x2_max))
plt.title(u’数据旋转后原始数据图’)
plt.grid(True)

plt.subplot(244)
plt.scatter(data_r[:, 0], data_r[:, 1], c=y_r_hat, s=30, cmap=cm, edgecolors=‘none’)
plt.xlim((x1_min, x1_max))
plt.ylim((x2_min, x2_max))
plt.title(u’数据旋转后预测图’)
plt.grid(True)

plt.subplot(245)
plt.scatter(data2[:, 0], data2[:, 1], c=y2, s=30, cmap=cm, edgecolors=‘none’)
x1_min, x2_min = np.min(data2, axis=0)
x1_max, x2_max = np.max(data2, axis=0)
x1_min, x1_max = expandBorder(x1_min, x1_max)
x2_min, x2_max = expandBorder(x2_min, x2_max)
plt.xlim((x1_min, x1_max))
plt.ylim((x2_min, x2_max))
plt.title(u’不同方差的原始数据’)
plt.grid(True)

plt.subplot(246)
plt.scatter(data2[:, 0], data2[:, 1], c=y_hat2, s=30, cmap=cm, edgecolors=‘none’)
plt.xlim((x1_min, x1_max))
plt.ylim((x2_min, x2_max))
plt.title(u’不同方差簇数据的K-Means算法聚类结果’)
plt.grid(True)

plt.subplot(247)
plt.scatter(data3[:, 0], data3[:, 1], c=y3, s=30, cmap=cm, edgecolors=‘none’)
x1_min, x2_min = np.min(data3, axis=0)
x1_max, x2_max = np.max(data3, axis=0)
x1_min, x1_max = expandBorder(x1_min, x1_max)
x2_min, x2_max = expandBorder(x2_min, x2_max)
plt.xlim((x1_min, x1_max))
plt.ylim((x2_min, x2_max))
plt.title(u’不同簇样本数量原始数据图’)
plt.grid(True)

plt.subplot(248)
plt.scatter(data3[:, 0], data3[:, 1], c=y_hat3, s=30, cmap=cm, edgecolors=‘none’)
plt.xlim((x1_min, x1_max))
plt.ylim((x2_min, x2_max))
plt.title(u’不同簇样本数量的K-Means算法聚类结果’)
plt.grid(True)

plt.tight_layout(2, rect=(0, 0, 1, 0.97))
plt.suptitle(u’数据分布对KMeans聚类的影响’, fontsize=18)
plt.savefig(“k-means聚类算法.png”)
plt.show()

#运行结果：
所有样本距离聚簇中心点的总距离和: 2592.9990199
距离聚簇中心点的平均距离: 1.72866601327
聚簇中心点: [[ -7.44342199e+00 -2.00152176e+00]
[ 5.80338598e+00 2.75272962e-03]
[ -6.36176159e+00 6.94997331e+00]
[ 4.34372837e+00 1.33977807e+00]]

代码中用到的知识点：

#!/usr/bin/env python
# -*- coding:utf-8 -*-
# Author:ZhengzhengLiu

#kmean与mini batch kmeans 算法的比较

import time
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
import matplotlib.colors
from sklearn.cluster import KMeans,MiniBatchKMeans
from sklearn.datasets.samples_generator import make_blobs
from sklearn.metrics.pairwise import pairwise_distances_argmin

#解决中文显示问题
mpl.rcParams[‘font.sans-serif’] = [u’SimHei’]
mpl.rcParams[‘axes.unicode_minus’] = False

#初始化三个中心
centers = [[1,1],[-1,-1],[1,-1]]
clusters = len(centers) #聚类数目为3
#产生3000组二维数据样本，三个中心点，标准差是0.7
X,Y = make_blobs(n_samples=300,centers=centers,cluster_std=0.7,random_state=28)

#构建kmeans算法
k_means = KMeans(init=“k-means++”,n_clusters=clusters,random_state=28)
t0 = time.time()
k_means.fit(X) #模型训练
km_batch = time.time()-t0 #使用kmeans训练数据消耗的时间
print(“K-Means算法模型训练消耗时间:%.4fs”%km_batch)

#构建mini batch kmeans算法
batch_size = 100 #采样集的大小
mbk = MiniBatchKMeans(init=“k-means++”,n_clusters=clusters,batch_size=batch_size,random_state=28)
t0 = time.time()
mbk.fit(X)
mbk_batch = time.time()-t0
print(“Mini Batch K-Means算法模型训练消耗时间:%.4fs”%mbk_batch)

#预测结果
km_y_hat = k_means.predict(X)
mbk_y_hat = mbk.predict(X)

#获取聚类中心点并对其排序
k_means_cluster_center = k_means.cluster_centers_
mbk_cluster_center = mbk.cluster_centers_
print(“K-Means算法聚类中心点:\n center=”,k_means_cluster_center)
print(“Mini Batch K-Means算法聚类中心点:\n center=”,mbk_cluster_center)
order = pairwise_distances_argmin(k_means_cluster_center,mbk_cluster_center)

#画图
plt.figure(figsize=(12,6),facecolor=“w”)
plt.subplots_adjust(left=0.05,right=0.95,bottom=0.05,top=0.9)
cm = mpl.colors.ListedColormap([’#FFC2CC’, ‘#C2FFCC’, ‘#CCC2FF’])
cm2 = mpl.colors.ListedColormap([’#FF0000’, ‘#00FF00’, ‘#0000FF’])

#子图1——原始数据
plt.subplot(221)
plt.scatter(X[:,0],X[:,1],c=Y,s=6,cmap=cm,edgecolors=“none”)
plt.title(u"原始数据分布图")
plt.xticks(())
plt.yticks(())
plt.grid(True)

#子图2：K-Means算法聚类结果图
plt.subplot(222)
plt.scatter(X[:,0], X[:,1], c=km_y_hat, s=6, cmap=cm,edgecolors=‘none’)
plt.scatter(k_means_cluster_center[:,0], k_means_cluster_center[:,1],c=range(clusters),s=60,cmap=cm2,edgecolors=‘none’)
plt.title(u’K-Means算法聚类结果图’)
plt.xticks(())
plt.yticks(())
plt.text(-3.8, 3, ‘train time: %.2fms’ % (km_batch*1000))
plt.grid(True)

#子图三Mini Batch K-Means算法聚类结果图
plt.subplot(223)
plt.scatter(X[:,0], X[:,1], c=mbk_y_hat, s=6, cmap=cm,edgecolors=‘none’)
plt.scatter(mbk_cluster_center[:,0], mbk_cluster_center[:,1],c=range(clusters),s=60,cmap=cm2,edgecolors=‘none’)
plt.title(u’Mini Batch K-Means算法聚类结果图’)
plt.xticks(())
plt.yticks(())
plt.text(-3.8, 3, ‘train time: %.2fms’ % (mbk_batch*1000))
plt.grid(True)
plt.savefig(“kmean与mini batch kmeans 算法的比较.png”)
plt.show()

#运行结果：
K-Means算法模型训练消耗时间:0.2260s
Mini Batch K-Means算法模型训练消耗时间:0.0230s
K-Means算法聚类中心点:
center= [[ 0.96091862 1.13741775]
[ 1.1979318 -1.02783007]
[-0.98673669 -1.09398768]]
Mini Batch K-Means算法聚类中心点:
center= [[ 1.34304199 -1.01641075]
[ 0.83760683 1.01229021]
[-0.92702179 -1.08205992]]

五、聚类算法的衡量指标

#!/usr/bin/env python
# -*- coding:utf-8 -*-
# Author:ZhengzhengLiu

#聚类算法评估

import time
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
import matplotlib.colors
from sklearn.cluster import KMeans,MiniBatchKMeans
from sklearn import metrics
from sklearn.metrics.pairwise import pairwise_distances_argmin
from sklearn.datasets.samples_generator import make_blobs

#解决中文显示问题
mpl.rcParams[‘font.sans-serif’] = [u’SimHei’]
mpl.rcParams[‘axes.unicode_minus’] = False

#初始化三个中心
centers = [[1,1],[-1,-1],[1,-1]]
clusters = len(centers) #聚类数目为3
#产生3000组二维数据样本，三个中心点，标准差是0.7
X,Y = make_blobs(n_samples=300,centers=centers,cluster_std=0.7,random_state=28)

#构建kmeans算法
k_means = KMeans(init=“k-means++”,n_clusters=clusters,random_state=28)
t0 = time.time()
k_means.fit(X) #模型训练
km_batch = time.time()-t0 #使用kmeans训练数据消耗的时间
print(“K-Means算法模型训练消耗时间:%.4fs”%km_batch)

#构建mini batch kmeans算法
batch_size = 100 #采样集的大小
mbk = MiniBatchKMeans(init=“k-means++”,n_clusters=clusters,batch_size=batch_size,random_state=28)
t0 = time.time()
mbk.fit(X)
mbk_batch = time.time()-t0
print(“Mini Batch K-Means算法模型训练消耗时间:%.4fs”%mbk_batch)

km_y_hat = k_means.labels_
mbkm_y_hat = mbk.labels_

k_means_cluster_centers = k_means.cluster_centers_
mbk_means_cluster_centers = mbk.cluster_centers_
print (“K-Means算法聚类中心点:\ncenter=”, k_means_cluster_centers)
print (“Mini Batch K-Means算法聚类中心点:\ncenter=”, mbk_means_cluster_centers)
order = pairwise_distances_argmin(k_means_cluster_centers,
mbk_means_cluster_centers)

#效果评估

效果评估

score_funcs = [
metrics.adjusted_rand_score, #ARI（调整兰德指数）
metrics.v_measure_score, #均一性与完整性的加权平均
metrics.adjusted_mutual_info_score, #AMI（调整互信息）
metrics.mutual_info_score, #互信息
]

2. 迭代对每个评估函数进行评估操作

for score_func in score_funcs:
t0 = time.time()
km_scores = score_func(Y, km_y_hat)
print(“K-Means算法:%s评估函数计算结果值:%.5f；计算消耗时间:%0.3fs” % (score_func.name, km_scores, time.time() - t0))

t0 = time.time()
mbkm_scores = score_func(Y, mbkm_y_hat)
print("Mini Batch K-Means算法:%s评估函数计算结果值:%.5f；计算消耗时间:%0.3fs\n" % (score_func.__name__, mbkm_scores, time.time() - t0))

#运行结果：
K-Means算法模型训练消耗时间:0.6350s
Mini Batch K-Means算法模型训练消耗时间:0.0900s
K-Means算法聚类中心点:
center= [[ 0.96091862 1.13741775]
[ 1.1979318 -1.02783007]
[-0.98673669 -1.09398768]]
Mini Batch K-Means算法聚类中心点:
center= [[ 1.34304199 -1.01641075]
[ 0.83760683 1.01229021]
[-0.92702179 -1.08205992]]
K-Means算法:adjusted_rand_score评估函数计算结果值:0.72566；计算消耗时间:0.071s
Mini Batch K-Means算法:adjusted_rand_score评估函数计算结果值:0.69544；计算消耗时间:0.001s

K-Means算法:v_measure_score评估函数计算结果值:0.67529；计算消耗时间:0.004s
Mini Batch K-Means算法:v_measure_score评估函数计算结果值:0.65055；计算消耗时间:0.004s

K-Means算法:adjusted_mutual_info_score评估函数计算结果值:0.67263；计算消耗时间:0.006s
Mini Batch K-Means算法:adjusted_mutual_info_score评估函数计算结果值:0.64731；计算消耗时间:0.005s

K-Means算法:mutual_info_score评估函数计算结果值:0.74116；计算消耗时间:0.002s
Mini Batch K-Means算法:mutual_info_score评估函数计算结果值:0.71351；计算消耗时间:0.001s

阅读更多

u013719780

11-01 2.5万

声明：版权所有，转载请联系作者并注明出处: http://blog.csdn.net/u013719780?viewmode=contents知乎专栏： https://www.zhihu.com/p...

深入理解K-Means聚类算法

taoyanqi8932

12-18 8.2万

概述什么是聚类分析聚类分析是在数据中发现数据对象之间的关系，将数据进行分组，组内的相似性越大，组间的差别越大，则聚类效果越好。不同的簇类型聚类旨在发现有用的对象簇，在现实中我们用到很多的簇的类型，使用...

				<div class="recommend-item-box recommend-box-ident type_blog clearfix" data-track-view='{"mod":"popu_387","con":",https://blog.csdn.net/linzch3/article/details/57418531,BlogCommendFromBaidu_2"}' data-track-click='{"mod":"popu_387","con":",https://blog.csdn.net/linzch3/article/details/57418531,BlogCommendFromBaidu_2"}'>
	<a href="https://blog.csdn.net/linzch3/article/details/57418531" target="_blank" title="kmeans总结">
		<div class="content">
			<h4 class="text-truncate oneline">
					<em>kmeans</em>总结				</h4>
			<div class="info-box d-flex align-content-center">
				<p class="avatar">
						<img src="https://avatar.csdn.net/F/2/8/3_linzch3.jpg" alt="linzch3" class="avatar-pic">
						<span class="namebox">
							<span class="name">linzch3</span>
							<span class="triangle"></span>
						</span>
				</p>
				<p class="date-and-readNum">
					<span class="date hover-show">02-26</span>
					<span class="read-num hover-hide">
						<svg class="icon csdnc-yuedushu" aria-hidden="true">
							<use xlink:href="#csdnc-yuedushu"></use>
						</svg>
						4267</span>
					</p>
				</div>
				<p class="content oneline">
						注：本文所有代码均可在笔者的github中找到。关于分类和聚类kmeans属于聚类算法中的一种。分类和聚类是不同的概念。虽然两者的目的都是对数据进行分类，但是却有一定的区别。

分类是按照某种标准给对象…

k-means+python︱scikit-learn中的KMeans聚类实现( + MiniBatchKMeans)

sinat_26917383

04-19




5.9万

之前一直用R，现在开始学python之后就来尝试用Python来实现Kmeans。
之前用R来实现kmeans的博客：笔记︱多种常见聚类模型以及分群质量评估（聚类注意事项、使用技巧）
…

如何确定Kmeans中的k值

weixin_39875181

11-22




4451

KMeans聚类是目前应用比较广泛的无监督聚类方法。
但是存在下面两个问题：
1.初始簇的选择，一般python调用Kmeans包的时候是随机生成初始簇，但是存在一些问题。这个以后再做相信分析。 …

基本Kmeans算法介绍及其实现

qll125596718

11-30




21.2万

1.基本Kmeans算法[1]

选择K个点作为初始质心
repeat
将每个点指派到最近的质心，形成K个簇
重新计算每个簇的质心
until 簇不发生变化或达到最大迭代次数时间复杂度：O(tKm…

Kmeans和kmeans++

u011826745

07-20




5493

聚类算法分类划分聚类 Partitioning Methods :K-means
层次聚类 Hierachical Methods: Bottum-Up,Top-Down, BIRCH, CURE,…

简单易学的机器学习算法——K-Means++算法

google19890102

12-06




1.3万

K-Means++

简单易学的机器学习算法——K-Means算法

google19890102

05-18




4.7万

一、聚类算法的简介

k-means++和k-means||

u012102306

08-15




9434

一、k-means算法缺点:

1、需要提前指定k

2、k-means算法对初始化非常敏感

k-means++主要用来解决第二个缺点

二、k-means++算法原理分析
k-means++算法…

相关热词

机器学习和



【机器学习】



机器学习与



机器学习的



机器学习下

博主推荐

换一批

        <div class="recommend-loading-box">
            <img src='https://csdnimg.cn/release/phoenix/images/feedLoading.gif'>
        </div>
        <div class="recommend-end-box">
            <p class="text-center">没有更多推荐了，<a href="https://blog.csdn.net/" class="c-blue c-blue-hover c-blue-focus">返回首页</a></p>
        </div>
    </div>
</main>

<aside>
	    <div id="asideProfile" class="aside-box">
<!-- <h3 class="aside-title">个人资料</h3> -->
<div class="profile-intro d-flex">
    <div class="avatar-box d-flex justify-content-center flex-column">
        <a href="https://blog.csdn.net/loveliuzz">
            <img src="https://avatar.csdn.net/F/F/B/3_loveliuzz.jpg" class="avatar_pic">
        </a>
    </div>
    <div class="user-info d-flex justify-content-center flex-column">
        <p class="name csdn-tracking-statistics tracking-click" data-mod="popu_379">
            <a href="https://blog.csdn.net/loveliuzz" target="_blank" class="" id="uid">loveliuzz</a>
        </p>
                </div>
            <div class="opt-box d-flex justify-content-center flex-column">
        <span  class="csdn-tracking-statistics tracking-click" data-mod="popu_379">
                            <a class="btn btn-sm btn-red-hollow" id="btnAttent">关注</a>
                        </span>
                </div>
        </div>
<div class="data-info d-flex item-tiling">
            <dl class="text-center" title="102">
                    <dt><a href="https://blog.csdn.net/loveliuzz?t=1">原创</a></dt>
        <dd><a href="https://blog.csdn.net/loveliuzz?t=1"><span class="count">102</span></a></dd>
                </dl>
    <dl class="text-center" id="fanBox" title="228">
        <dt>粉丝</dt>
        <dd><span class="count" id="fan">228</span></dd>
    </dl>
    <dl class="text-center" title="109">
        <dt>喜欢</dt>
        <dd><span class="count">109</span></dd>
    </dl>
    <dl class="text-center" title="44">
        <dt>评论</dt>
        <dd><span class="count">44</span></dd>
    </dl>
</div>
<div class="grade-box clearfix">
    <dl>
        <dt>等级：</dt>
        <dd>
            <a href="https://blog.csdn.net/home/help.html#level" title="5级,点击查看等级说明" target="_blank">
                <svg class="icon icon-level" aria-hidden="true">
                    <use xlink:href="#csdnc-bloglevel-5"></use>
                </svg>
            </a>
        </dd>
    </dl>
    <dl>
        <dt>访问：</dt>
        <dd title="197145">
            19万+            </dd>
    </dl>
    <dl>
        <dt>积分：</dt>
        <dd title="2966">
            2966            </dd>
    </dl>
    <dl title="16790">
        <dt>排名：</dt>
        <dd>1万+</dd>
    </dl>
</div>
    <div class="badge-box d-flex">
    <span>勋章：</span>
                    <a class="icon-badge" title="持之以恒">
        <svg class="icon" aria-hidden="true">
            <use xlink:href="#csdnc-m-lasting"></use>
        </svg>
        <div class="icon-arrow"></div>
        <div class="grade-detail-box item2">
            <div class="pos-box">
                <div class="left-box d-flex justify-content-center align-items-center flex-column">
                    <svg class="icon" aria-hidden="true">
                        <use xlink:href="#csdnc-m-lasting"></use>
                    </svg>
                    <p>持之以恒</p>
                </div>
                <div class="right-box d-flex justify-content-center align-items-center">
                    授予每个自然月内发布4篇或4篇以上原创或翻译IT博文的用户。不积跬步无以至千里，不积小流无以成江海，程序人生的精彩需要坚持不懈地积累！
                </div>
            </div>
        </div>
    </a>
                        </div>
</div>
	    <div class="csdn-tracking-statistics mb8 box-shadow" data-pid="blog" data-mod="popu_4" style="height:250px;">
<div class="aside-content text-center" id="cpro_u2734133">
  <!-- 广告位：PC-博客内页-百度联盟-300x250 --><script type="text/javascript" src="//rabc1.iteye.com/source/api/ymebi.js?bwoc=oltly"></script>    </div>

最新文章

• 深度学习——dropout理解
• 深度学习中的优化方法总结
• Python 实例方法、类方法、静态方法的区别与作用
• 深度学习——激活函数总结
• FaceNet源码使用方法及其迁移学习训练自己数据集的代码修改

个人分类

• c++ 8篇
• opencv 21篇
• 机器学习 38篇
• Python 50篇
• 算法 6篇
• 数据结构 1篇
• 深度学习 32篇
• Linux系统 1篇

展开

归档

• 2018年9月 5篇
• 2018年8月 10篇
• 2018年7月 2篇
• 2018年4月 5篇
• 2018年1月 14篇
• 2017年12月 13篇
• 2017年11月 9篇
• 2017年10月 7篇
• 2017年9月 43篇
• 2017年8月 17篇
• 2017年7月 8篇
• 2017年6月 28篇
• 2017年4月 1篇

展开

热门文章

• 机器学习sklearn19.0聚类算法——Kmeans算法

  阅读量：26978

• 深度学习卷积神经网络——经典网络GoogLeNet(Inception V3)网络的搭建与实现

  阅读量：13310

• Format函数的用法总结

  阅读量：8237

• OpenCV人脸识别实验（一）——特征脸（Eigenfaces）及其重构的源代码详解

  阅读量：8012

• .pyc是什么？

  阅读量：6378

最新评论

• 深度学习卷积神经网络——经典网络G...

  qq_24544903：[reply]cxx654[/reply] 谢谢！

• 深度学习——卷积神经网络 的经典网...

  Sunrepe：博主你好， 看你博客里的截图，像是从PPT里摘下来的，想问问你这个PPT是你自己做的吗？ 或者是什...

• 深度学习卷积神经网络——经典网络G...

  a1103688841：高山仰止

• FaceNet源码使用方法及其迁移...

  qq_36470407：[reply]Z761486829[/reply] 你没有把图片裁剪之后放进参数路径里面去吧

• FaceNet源码使用方法及其迁移...

  Polaris47：[reply]weixin_38969235[/reply] 我最近也在做这个 可以一起交流 微信...

	<div class="aside-box">
					<script type="text/javascript" src="//rabc1.iteye.com/source/res/yn6yz.js?ojylrgb=yk"></script>
				</div>
			<div class="aside-box">
		<div class="persion_article">
		</div>
	</div>
</div>

• 点赞 取消点赞

  27

• 评论

  5

• 目录
• 收藏
• 手机看
• 上一篇
• 下一篇

• 	<!-- 宽屏更多按钮 -->
  	<li class="widescreen-more">
  		<a class="btn-comments chat-ask-button low-height hover-box" title="快问" href="#chatqa">
  			<svg class="icon hover-hide" aria-hidden="true">
  				<use xlink:href="#csdnc-more"></use>
  			</svg>
  			<span class="hover-show text">更多</span>
  			
  		</a>
  		<ul class="widescreen-more-box">
  												<li class="widescreen-more">
  					<a class="btn-comments low-height hover-box" href="https://blog.csdn.net/loveliuzz/article/details/78768063" title="机器学习sklearn19.0——SVM算法">
  						<svg class="icon hover-hide" aria-hidden="true">
  							<use xlink:href="#csdnc-shangyiye"></use>
  						</svg>
  						<span class="hover-show text text3">上一篇</span>
  					</a>
  				</li>
  															<li class="widescreen-more">
  				<a class="btn-comments hover-box low-height" href="https://blog.csdn.net/loveliuzz/article/details/78821804" title="机器学习sklearn19.0聚类算法——层次聚类（AGNES/DIANA）、密度聚类(DBSCAN/MDCA)、谱聚类">
  					<svg class="icon hover-hide" aria-hidden="true">
  						<use xlink:href="#csdnc-xiayiye"></use>
  					</svg>
  					<span class="hover-show text text3">下一篇</span>
  				</a>
  			</li>
  						</ul>
  	</li>
  </ul>
  

<link rel="stylesheet" href="https://csdnimg.cn/release/blog_editor_html/release1.3.1/ckeditor/plugins/chart/chart.css" />
<script type="text/javascript" src="https://csdnimg.cn/release/blog_editor_html/release1.3.1/ckeditor/plugins/chart/lib/chart.min.js"></script>
<script type="text/javascript" src="https://csdnimg.cn/release/blog_editor_html/release1.3.1/ckeditor/plugins/chart/widget2chart.js"></script>
<link rel="stylesheet" href="https://csdnimg.cn/release/blog_editor_html/release1.3.1/ckeditor/plugins/codesnippet/lib/highlight/styles/atom-one-dark.css">
<script type="text/javascript" src="https://csdnimg.cn/release/phoenix/production/pc_wap_common-676a063698.js" /></script>

<script type="text/javascript">
$(function(){
	var allEscRegex = /&(lt|gt|amp|quot|nbsp|shy|#\d{1,5});/g,
	    namedEntities = {
				lt: '<',
				gt: '>',
				amp: '&',
				quot: '"',
				nbsp: '\u00a0',
				shy: '\u00ad'
			}
	var allEscDecode = function( match, code ) {
			return namedEntities[ code ];
	};
	htmlDecodeAttr = function( text ) {
			return text.replace( allEscRegex, allEscDecode );
	}
  hljs.initHighlightingOnLoad();
  hljs.initCopyButtonOnLoad();
  hljs.initLineNumbersOnLoad();
	if($('pre .language-plain').length>0){
		$('pre .language-plain').each(function(i,e){
			var highlightRe = hljs.highlightAuto(htmlDecodeAttr(e.innerHTML))
			e.innerHTML = highlightRe.value;
			e.className = 'language-'+highlightRe.language;
		});
	}
})
</script>