naruhina的博客

一，思路：分为两步，第一步是训练模型然后把模型保存到磁盘，第二步是复现模型结构然后读取模型权重系数，输入手写数字图片验证模型识别能力。二，模型训练在这部分使用mnist数据集，该数据集含有七万张28*28的灰度化的手写数字图片，其中六万张用于训练，一万张用于训练阶段的测试。过程分为六步：（1.）import 相关模块 （2.）读入训练集与测试集 （3.）用Sequential模型（或者有的人叫它神经网络容器）搭建神经网络 （4.）定义神经网络训练时的优化器（或者叫参数更新的方法，例如随机梯度下降法

声明：原本是在word中写的本篇博客，里面有mathtype敲出来的公式（优快云不支持mathtype），转换为LaTex公式后放到博客里排版太乱了，所以就导出了PDF，分页输出图片，把图片放到博客里，这样排版效果更好一些。如果觉得大小不太合适可以按住CTRL键滑动鼠标滑轮缩放。本博客所用代码附在最后import cv2 as cvimport numpy as np#传入灰度图像#sigma是高斯分布的标准差，avr是均值def makeNoise(img,sigma,avr

本文章内容1 连续时间信号的卷积2 离散时间信号的卷积3 图像卷积是什么4 图像卷积的一些应用文章由我们熟悉的一维连续时间信号的卷积逐渐过渡到图像卷积。文章是循序渐进的，希望想要了解的朋友们可以耐心读一读。本人理解有限，如有错误还请指出（1）先看连续时间信号的卷积：可以看到对与连续时间信号而言，卷积是一种特殊的积分运算，它的过程就是一个函数固定不动，另一个函数先以y轴为对称轴反...

1.sobel算子：sobel算子可以计算图像梯度，计算图像梯度的作用是提取边界，一般我们用一个3x3的卷积核去指示sobel算子是如何运算的：图中左边就是计算水平梯度时的卷积核，简单来说就是右边减左边，权重由卷积核规定。这里我们可以联想一下高中生物，那时候我们常考的一种题目就是细胞膜两边的浓度梯度差的问题。细胞膜就是边界，它两边浓度不一样形成了梯度差，同样在图像里面我们也借用了这样一个形象...

基本的阈值分割有下面这几种：按图中由上到下的顺序是：1.二进制阈值化（准确说是二值阈值化，因为这种情况下像素灰度取值只有两种，但并不是只能为0和1，实际上最大值是调用函数时自行规定的）。这种情况下如果两个取值是0和255那么就是当像素灰度大于阈值时变为255（白色），小于等于阈值都会变成0（黑色），对应的正是二值图像。2.反二进制阈值化（是上面那种情况的反例）3.截断阈值化当大于阈值...

第一步：下载文件https://pypi.org/project/opencv-python/#fileshttps://pypi.org/project/opencv-contrib-python/#files安装跟你电脑上python版本对应的文件放到Scripts文件夹下。比如我电脑上安装了3.7版本32位的python，那么我下载的文件对应的版本号就是cp37并且是32位的。第二步...