热门标签
热门文章
- 1apollo规划代码学习_apollo代码
- 2Small RTOS OSStart 函数解析 以及 内存堆栈 变化 (一)
- 3欧拉角、旋转矩阵及四元数
- 42022年天梯赛比赛真题，L1基础题，C语言，没有算法的那种_pta天梯l1-83谁能进图书馆
- 5SpringCloud微服务（三）RabbitMQ、SpringAMQP、elasticsearch、DSL、MQ、ES详细介绍_mq和es
- 6【Java】Java使用Swing实现一个模拟计算器（有源码）
- 7数据可视化-地图可视化-Python
- 8如何将 PyTorch 模型移植到 Tensorflow-第 1 部分
- 9centos8.6离线安装postgresql14
- 10react+ echarts 轮播饼图
当前位置: article > 正文
【opencv】示例-neural_network.cpp 使用机器学习模块创建并训练一个简单的多层感知机（神经网络）模型...
作者：我家小花儿 | 2024-04-14 09:58:37
赞
踩
【opencv】示例-neural_network.cpp 使用机器学习模块创建并训练一个简单的多层感知机（神经网络）模型...
- #include <opencv2/ml/ml.hpp> // 引入OpenCV的机器学习模块
-
-
- using namespace std; // 使用标准命名空间
- using namespace cv; // 使用OpenCV命名空间
- using namespace cv::ml; // 使用OpenCV机器学习命名空间
-
-
- int main()
- {
- //创建随机训练数据
- Mat_<float> data(100, 100); // 申请100行100列的浮点数矩阵作为数据
- randn(data, Mat::zeros(1, 1, data.type()), Mat::ones(1, 1, data.type())); // 用正态分布随机填充数据，均值为0，方差为1
-
-
- //为每个类别创建一半的样本
- Mat_<float> responses(data.rows, 2); // 申请与data行数相同，2列的浮点数矩阵作为响应（输出）
- for (int i = 0; i<data.rows; ++i) // 遍历所有样本
- {
- if (i < data.rows/2)
- {
- responses(i, 0) = 1; // 前半部分样本标记为第一类
- responses(i, 1) = 0;
- }
- else
- {
- responses(i, 0) = 0; // 后半部分样本标记为第二类
- responses(i, 1) = 1;
- }
- }
-
-
- /*
- // 如果只需要单一响应（回归分析），可以使用以下代码
- Mat_<float> responses(data.rows, 1); // 申请单列响应矩阵
- for (int i=0; i<responses.rows; ++i)
- responses(i, 0) = i < responses.rows / 2 ? 0 : 1; // 前半部分标记为0，后半部分标记为1
- */
-
-
- //创建神经网络
- Mat_<int> layerSizes(1, 3); // 定义一个1行3列的整数矩阵，用于指定网络每层的大小
- layerSizes(0, 0) = data.cols; // 输入层神经元数量等于数据列数
- layerSizes(0, 1) = 20; // 隐藏层设为20个神经元
- layerSizes(0, 2) = responses.cols; // 输出层神经元数量等于响应列数
-
-
- Ptr<ANN_MLP> network = ANN_MLP::create(); // 创建多层感知机神经网络
- network->setLayerSizes(layerSizes); // 设置网络层大小
- network->setActivationFunction(ANN_MLP::SIGMOID_SYM, 0.1, 0.1); // 设置激活函数为对称S型函数，激活参数为0.1
- network->setTrainMethod(ANN_MLP::BACKPROP, 0.1, 0.1); // 设置训练方法为反向传播，学习率和动量都为0.1
- Ptr<TrainData> trainData = TrainData::create(data, ROW_SAMPLE, responses); // 利用数据和响应创建训练数据
-
-
- network->train(trainData); // 使用训练数据训练网络
- if (network->isTrained()) // 如果网络训练好了
- {
- printf("Predict one-vector:\n"); // 打印预测一个向量
- Mat result; // 用于保存预测结果的矩阵
- network->predict(Mat::ones(1, data.cols, data.type()), result); // 预测一个全1向量的输出
- cout << result << endl; // 输出预测结果
-
-
- printf("Predict training data:\n"); // 打印预测训练数据
- for (int i=0; i<data.rows; ++i) // 遍历所有训练数据
- {
- network->predict(data.row(i), result); // 对每一行数据进行预测
- cout << result << endl; // 输出每一行的预测结果
- }
- }
-
-
- return 0; // 程序结束，返回0
- }
该代码的函数是使用OpenCV的机器学习模块创建并训练一个简单的多层感知机（神经网络）模型。代码生成了一些随机数据和相应的标签，然后设置了神经网络的层结构和训练参数，利用随机生成的数据训练网络，最后使用训练完成的模型来预测一些新数据的输出。
终端输出：
声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/我家小花儿/article/detail/421497
推荐阅读
相关标签
