第4章 神经网络的学习神经网络的特征就是可以从数据中学习。所谓“从数据中学习”，是指可以由数据自动决定权重参数的值。通过有效利用数据来解决这个问题。一种方案是，先从图像中提取特征量，再用机器学习技术学习这些特征量的模式。这里所说的“特征量”是指可以从输入数据（输入图像）中准确地提取本质数据（重要的数据）的转换器。图像的特征量通常表示为向量的形式。在计算机视觉领域，常用的特征量包括SIFT、SURF
第3章 神经网络 将输入信号的总和转换为输出信号，这种函数一般称为激活函数（activation function）激活函数的作用在于决定如何来激活输入信号的总和。本书在使用“感知机”一词时，没有严格统一它所指的算法。一般而言，“朴素感知机”是指单层网络，指的是激活函数使用了阶跃函数A 的模型。“多层感知机”是指神经网络，即使用 sigmoid函数（后述）等平滑的激活函数的多层网络。激活
感知机接收多个输入信号，输出一个信号。感知机的信号只有“流/不流”（1/0）两种取值。输入信号被送往神经元时，会被分别乘以固定的权重（w1x1、w2x2）。神经元会计算传送过来的信号的总和，只有当这个总和超过了某个界限值时，才会输出1。这也称为“神经元被激活”。这里将这个界限值称为阈值，用符号θ表示。感知机的多个输入信号都有各自固有的权重，这些权重发挥着控制各个信号的重要性的作用。也就是说，权重越
NumPy是用于数值计算的库，提供了很多高级的数学算法和便利的数组（矩阵）操作方法。Matplotlib是用来画图的库。使用Matplotlib能将实验结果可视化，并在视觉上确认深度学习运行期间的数据。Python中的type()函数可以用来查看数据类型。要生成NumPy数组，需要使用np.array()方法。np.array()接收Python列表作为参数，生成NumPy数组（numpy.nda
class Most_sum: def __init__(self): self.numbers = [] def get_numbers(self): while True: number = input("Enter a number (or 'ok' to end): ") if number
本文主要利用opencv和picamera等库实现树莓派实时对视频流中圆的识别，代码如下：import cv2 import numpy as np import picamera from picamera.array import PiRGBArray import time def detect_circles(): # 初始化树莓派相机 camera = picamer
树莓派实现
Copyright © 2005-2025 51CTO.COM 版权所有 京ICP证060544号
