网络程序设计

最新推荐文章于 2021-12-13 10:49:47 发布

lc123623

最新推荐文章于 2021-12-13 10:49:47 发布

阅读量552

点赞数

CC 4.0 BY-SA版权

分类专栏：机器学习

本文链接：https://blog.youkuaiyun.com/lc123623/article/details/54131201

机器学习专栏收录该内容

2 篇文章

订阅专栏

本文介绍了如何使用Caffe框架训练神经网络，并实现从图片输入到项目编号预测的全过程。同时，文章还探讨了线性回归、逻辑回归、随机森林等机器学习算法的基本原理与应用场景。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1：pull request情况

   1：使用caffe训练神经网络输入图片得到图片项目编号（接受合并）

   2：caffe的安装使用并运行一个demo（被拒绝）

2：课程理论学习情况

   1：线性回归

   2：逻辑回归

   3：随机森林

   4：神经网络：CNN+RNN

3：BloodTestOCR项目部分

1：项目框架

        1：切图

        2：识别

        3：预测

   2：运行结果展示

1：pull request情况

1：caffe的安装，训练神经网络并输入图片预测图片的项目编号

$ git clone https://github.com/bvlc/caffe.git  
$ cd caffe/  
$ mv Makefile.config.example Makefile.config  
$ vim Makefile.config  
$ CPU_ONLY=1  
$ make -j8

2:使用caffe训练神经网络并输入图片输出图片编号
1：将jpg格式的图片文件转化为为lmdb格式的文件

2：训练神经网络，输入图片输出图片的项目编号
卷积层- 池化层-卷积层-池化层-分类层-分类层
这里写图片描述 3，预测代码，
二：机器学习算法
     1：线性回归
         1：简单模型：

          2：损失函数：

           3：参数调整算法
               这里写图片描述
   2：逻辑回归
         逻辑回归是在线性回归上面做了一些，改进，线性回归适用于预测结果为连续值，逻辑回归使用于预测结果为离散值，主要改进在损失函数上面
    3：神经网络
        当我们使用x1,x2 的多次项式进行预测时，我们可以应用
的很好。
之前我们已经看到过，使用非线性的多项式项，能够帮助
我们建立更好的分类模型。假设我们有非常多的特征，例如大
于100 个变量，我们希望用这100 个特征来构建一个非线性的
多项式模型，结果将是数量非常惊人的特征组合，即便我们只
采用两两特征的组合（x1x2+x1x3+x1x4+…+x2x3+x2x4+…+x99x100）,
我们也会有接近5000 个组合而成的特征。这对于一般的逻辑回
归来说需要计算的特征太多了。
        所以神经网络适合用来处理特征量非常多的情况。
卷积神经网络：
       卷积神经网络是在普通的深度神经网络上发展而来，主要有两个思