opencv 计算机视觉（python)

大力力无穷

于 2022-08-06 23:06:35 发布

阅读量793

点赞数

分类专栏： python 文章标签：计算机视觉 python opencv

本文链接：https://blog.csdn.net/zengdanli/article/details/126192855

版权

隐藏层大小：实验基础上选择
输入层很大：隐藏神经元的数量介于输入层与输出层之间，而且通常更接近输出层大小
输入层和输出层都很小：隐藏层时最大的
输入层小，输出层大：隐藏层更接近输入层大小
过拟合：隐含层中包含的伪信息过多
setLayerSizes:1：输入层大小。最后：输出层大小，所有中间元素：隐藏层大小
eg：[9,15,9]:9个输入节点，9个输出节点，15个节点的隐藏层
[9,15,15,9]:9个输入节点，9个输出节点，两个15个节点的隐藏层
配置激活函数、训练方法，训练中止标准：
对称sigmoid(cv2.m1.ANN_MLP_SIGMOID_SYM)
反向传播方法(cv2.m1.ANN_MLP_BACKPROP)
(反向传播：在输出层计算预测误差的算法，，通过之前的层回溯错误的来源，并更新权重以减小误差）
训练人工神经网络：指定训练的输入(samples),对应正确的输出（responses)，数据格式（layout)`

training_sample=np.array([[1.2,1.3,1.9,2.2,2.3,2.9,3.0,3.2,3.3]],np.float(32))
layout=cv2.m1.ROW_SAMPLE
training_responses=np.array([[0.0,0.0,0.0,0.0,0.0,1.0,0.0,0.0,0.0]],np.flost32)
data=cv2.m1.TraingData_create(
    training_samples,layout,training_responses
)
ann.train(data)

预测的输出是一个元组，第一个值是类别，第二个值是包含每个类的概率的一个数组。
预测的类将具有最高的概率值。

训练多阶段人工神经网络分类器

在一定程度上，阶段越多，准确率越高但是阶段过高会导致过拟合。
1、导包
randint:生成伪随机整数
uniform:生成伪随机浮点数

import cv2
import numpy as np
from random import randint,uniform

2、创建配置人工神经网络
3个输入层，50个隐藏层，4个输出层

animals_net=cv2.m1.ANN_MLP_create()
animals_net.setLayerSizes(np.array([3,50,4]))
animals_net.setActivationFunction(cv2.m1.ANN_MLP_SIGMOID_SYM,0.6,1.0<