基于OpenCV的神经网络简介

最新推荐文章于 2021-02-25 03:18:28 发布

淮南草

最新推荐文章于 2021-02-25 03:18:28 发布

阅读量1.5k

点赞数

分类专栏： opencv

本文链接：https://blog.csdn.net/zhuisaozhang1292/article/details/80932188

版权

人工神经网络

隐藏层神经元数目的经验法：

1：如果输入与输出层的大小相差很大，则隐藏层的神经元数目最好与输出层更接近

2：对于相对较小的输入层，隐藏神经元最好是输入层和输出层大小之和的三分之二，或者小于输入层大小的两倍

简单例子1：

这只是一个建大的例子，这种分类其实没有意义，但可以测试网络是否可以正常运行，在这段代码中，只提供了一个训练记录，它的类标签为5，这个网络会用来判断输入数据的类标签是否为5

import cv2
import numpy as np

ann = cv2.ml.ANN_MLP_create() #创建感知器
ann.setLayerSizes(np.array([9, 5, 9], dtype=np.uint8)) #设置拓扑结构 输入层 隐藏层 输出层的个数
ann.setTrainMethod(cv2.ml.ANN_MLP_BACKPROP) #训练模式，采用反向传播方式 另外一种RPROP也是反向传播算法，这两种类型 只能在有监督学习中才可以设置
"""
 train函数包含三个参数：
     samples，layout和reponses
         只有samples是必须设置的参数，另外两个为可选参数
         只用了samples参数训练的统计模块，hi采用无监督学习算法，如果提供了layout和responses参数就是有监督学习    
"""
ann.train(np.array([[1.2, 1.3, 1.9, 2.2, 2.3, 2.9, 3.0, 3.2, 3.3]], dtype=np.float32),
          cv2.ml.ROW_SAMPLE,
          np.array([[0,0,0,0,1,0,0,0,0]],  
          dtype=np.float32)
          )
print (ann.predict(np.array([[1.4, 1.5, 1.2, 2., 2.5, 2.8, 3., 3.1, 3.8]], dtype=np.float32)))

输出：

(5.0, array([[-0.06419383, -0.13360272, -0.1681568 , -0.18708915,  0.0970564 ,
         0.89237726,  0.05093023,  0.17537238,  0.13388439]], dtype=float32))

基于ANN的动物分类

假设输入统计量：体重，长度，牙齿，输入的都是无食用价值的数据，并且只考虑了训练数据集的大小/训练迭代系数。通过这些结果可以看到ANN对那些类产生了过拟合，因此，提高训练过程中输入的数据质量很重要。

每次运行的结果都不相同

import cv2
import numpy as np
from random import randint

animals_net = cv2.ml.ANN_MLP_create()
animals_net.setTrainMethod(cv2.ml.ANN_MLP_RPROP | cv2.ml.ANN_MLP_UPDATE_WEIGHTS)
animals_net.setActivationFunction(cv2.ml.ANN_MLP_SIGMOID_SYM)
animals_net.setLayerSizes(np.array([3, 6, 4]))
animals_net.setTermCriteria(( cv2.TERM_CRITERIA_EPS | cv2.TERM_CRITERIA_COUNT, 10, 1 ))

"""Input arrays
weight, length, teeth
"""

"""Output arrays
dog, eagle, dolphin and dragon
"""

def dog_sample():
  return [randint(10, 20), 1, randint(38, 42)]

def dog_class():
  return [1, 0, 0, 0]

def condor_sample():
  return [randint(3,10), randint(3,5), 0]

def condor_class():
  return [0, 1, 0, 0]

def dolphin_sample():
  return [randint(30, 190), randint(5, 15), randint(80, 100)]

def dolphin_class():
  return [0, 0, 1, 0]

def dragon_sample():
  return [randint(1200, 1800), randint(30, 40), randint(160, 180)]

def dragon_class():
  return [0, 0, 0, 1]

def record(sample, classification):
  return (np.array([sample], dtype=np.float32), np.array([classification], dtype=np.float32))

records = []

"""
SAMPLES = 5000
for x in range(0, SAMPLES):
  print "Samples %d/%d" % (x, SAMPLES)
  animals_net.train(np.array([dog_sample()], dtype=np.float32), cv2.ml.ROW_SAMPLE, np.array([dog_class()], dtype=np.float32))
  animals_net.train(np.array([condor_sample(