Code 0002: Face Recognition

最新推荐文章于 2025-09-07 19:29:44 发布
转载 最新推荐文章于 2025-09-07 19:29:44 发布 · 143 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：http://www.cnblogs.com/HongZheng/p/5410390.html
文章标签：

#人工智能 

/********************2016.4.18人脸识别程序**********************/
#include "opencv2/core/core.hpp"    
#include "opencv2/objdetect/objdetect.hpp"    
#include "opencv2/highgui/highgui.hpp"    
#include "opencv2/imgproc/imgproc.hpp"    
#include "opencv2/opencv.hpp"
#include <opencv2/features2d/features2d.hpp>
#include <opencv2/nonfree/features2d.hpp>

#include <iostream>    
#include <stdio.h>    
 
using namespace std;   
using namespace cv;   

/*************KEYBORAD值定义*************/
#define ESC_KEYBOARD			27				//"ESC"键
#define ENTER_KEYBOARD			13				//"ENTER"键
#define SPACE_KEYBOARD			32				//"SPACE"键
#define TAKE_KEYBOARD			SPACE_KEYBOARD  //"SPACE"键作为拍照键
#define TAKEPICMODE_KEYBOARD   '1'				//"1"键作为拍照模式选择
#define FACEMODE_KEYBOARD      '2'				//"2"键作为人脸识别模式选择

/*************HELPCHOICE值定义*************/
#define MAIN_HELPCHOICE		0
#define TAKE_HELPCHOICE		1
#define FACE_HELPCHOICE		2

/*************样本次数定义*************/
#define FACE_NUM			20

/*************匹配率定义*************/
#define FACE_MATCH			5.0		//匹配率为(100/FACE_MATCH)%

/*************匹配结果定义*************/
#define FACE_SUCCESS	    1
#define FACE_FAILED			0

/*************匹配结果定义*************/
#define COUNT_START	        1
#define COUNT_END			0

/*************函数定义*************/
Mat detectAndDisplay( Mat frame );		//人脸检测与显示函数  函数返回提取后的人脸
int takePicture( Mat frame);			//按键处理函数        包括样本提取操作及人脸匹配操作
void showHelpText(int choice);			//提示信息函数
int faceCompare1(Mat myface,Mat face);  //人脸匹配函数1
int faceCompare2(Mat myface,Mat face);  //人脸匹配函数2
int faceCompare3(Mat myface,Mat face);  //人脸匹配函数3
float showTime(int state);			    //帧率信息函数

/*************训练库及分类器定义*************/
string face_cascade_name = "haarcascade_frontalface_alt.xml"; //该文件存在于OpenCV安装目录下的\sources\data\haarcascades内，需要将该xml文件复制到当前工程目录下   
CascadeClassifier face_cascade;								  //分类器定义

/*************全局变量定义*************/
int facenum = 0;						//当前比较的样本标号，当facenum为0时，意味着一次匹配完成，这时下一副采集的图像继续匹配
int modeChoice = -1;					//模式选择变量			

/*************main函数*************/
int main( int argc, char** argv )
{  
	//显示提示信息
	showHelpText(MAIN_HELPCHOICE);

	//判断有没有找到训练库
    if( !face_cascade.load( face_cascade_name ))
	{    
		printf("级联分类器错误，可能未找到文件，拷贝该文件到工程目录下！\n");   
        return -1;    
    }  

	//打开摄像头
	VideoCapture capture(0);
	capture.set(CV_CAP_PROP_FRAME_WIDTH,360);	//设置采集视频的宽度
	capture.set(CV_CAP_PROP_FRAME_HEIGHT,900);	//设置采集视频的高度
	//定义存放视频每帧图像的frame变量及用于存放detectAndDisplay返回的人脸图像的pictureface变量
	Mat frame,frameface,pictureface;
	//while循环，提取每帧图像并进行人脸识别处理，初始模式下按【ESC】键退出循环
	while(1){
		capture>>frame;							//capture将每帧图像传给frame
		imshow("人脸识别",frame);				//显示
		frameface = detectAndDisplay(frame);	//调用人脸检测函数,函数检测到人脸后返回提取后的人脸图像 
		
		if(facenum == 0  || modeChoice != FACE_HELPCHOICE)	//匹配模式下,一次匹配完成，下一副匹配图像传入
			frameface.copyTo(pictureface);
		if(takePicture(pictureface) < 0)		//按键处理及样本提取操作函数，匹配操作也在此完成
			break;								//takePicture函数返回退出指令则退出while循环
	}
	return 0;
}   

/******************人脸检测与显示函数*******************/
//函数名：detectAndDisplay
//参  数：参数一  face
//						待人脸检测Mat类型图像	   
//返回值：检测提取后的人脸图像
//功  能：对输入图像进行人脸检测，检测到后将人脸圈出显示，并将人脸部分提取后返回
Mat detectAndDisplay( Mat face )
{  
    std::vector<Rect> faces;  //作detectMultiScale用来存放被检测物体的矩形框向量参数
    Mat face_gray;			  //存放face灰度图
    Mat myface;				  //存放检测到并提取出的人脸图像

	//detectMultiScale函数image参数预处理
    cvtColor( face, face_gray, CV_BGR2GRAY );	//RGB类型转换为灰度类型   
    equalizeHist( face_gray, face_gray );		//直方图均衡化   
	
	showTime(COUNT_START);
	//人脸检测操作
    //detectMultiScale函数中face_gray表示的是要检测的输入图像为face_gray
	//faces表示检测到的人脸目标序列，
    //1.1表示每次图像尺寸减小的比例为1.1，
	//2表示每一个目标至少要被检测到3次才算是真的目标(因为周围的像素和不同的窗口大小都可以检测到人脸),
    //CV_HAAR_SCALE_IMAGE表示不是缩放分类器来检测，而是缩放图像，CV_HAAR_FIND_BIGGEST_OBJECT只检测最大对象
    //Size(100, 100)为目标的最小   Size(600, 600) 最大尺寸
    face_cascade.detectMultiScale( face_gray, faces, 1.1, 2, 0|CV_HAAR_FIND_BIGGEST_OBJECT, Size(100, 100));   
	//检测时间过长直接退出函数
	float fps = showTime(COUNT_END);
	//cout<<"当前帧率为"<<fps<<endl;
	if(fps < 10)
	{
		imshow("人脸识别",face);
		return Mat::zeros(100,100,CV_8UC1);
	}
	//检测到人脸则圈脸显示及人脸提取返回，否则返回face_gray，注意不要返回face，faceCompare未做转灰度处理
	if(faces.size() > 0){
		myface = face_gray(Range(faces[0].y,faces[0].y+faces[0].height),Range(faces[0].x,faces[0].x+faces[0].width));  //提取人脸
        //圈脸显示
		Point center( faces[0].x + faces[0].width*0.5, faces[0].y + faces[0].height*0.5 );							   //圆心
        ellipse( face, center, Size( faces[0].width*0.5, faces[0].height*0.5), 0, 0, 360, Scalar( 255, 0, 0), 2,7, 0 );//画圆 颜色蓝色（B255 G0 R0）旋转0度 扩展弧度从0度到360度
		imshow("人脸识别",face); //显示
		//返回人脸图像
		return myface;
	}   
	imshow("人脸识别",face); //显示
	return Mat::zeros(100,100,CV_8UC1);
}   

/******************按键处理函数*******************/
//函数名：takePicture
//参  数：参数一  frame
//						detectAndDisplay函数返回的人脸__灰度__图像,用于作为样本或作为匹配的对象，根据当前选择的具体功能而定
//返回值：退出while循环的标志，-1或0，其中返回-1则main函数退出循环
//功  能：对按键进行捕获，并根据按键值进行相关处理，包括样本提取操作及人脸匹配操作
int takePicture( Mat frame) 
{
	//拍照相关变量定义：标志、编号、名字及存放变量
	int Picture_Flag= 0;
	static int Picture_Num = 1;
	char Picture_Name[20];
	Mat Pictures;

	//按键值置-1
	int Value_BOARD = -1;
	//按键值捕获
	Value_BOARD = waitKey(10);
	//按键值判断
	switch(Value_BOARD){
		case ESC_KEYBOARD			:if(modeChoice < 0)				
										 Picture_Flag = -1;		//退出程序
									 else
										modeChoice = -1,showHelpText(MAIN_HELPCHOICE);//退指main模式
									 break;
		case TAKEPICMODE_KEYBOARD	:if(modeChoice < 0)
										modeChoice = TAKE_HELPCHOICE,showHelpText(TAKE_HELPCHOICE);//拍照模式
									 break;
		case FACEMODE_KEYBOARD		:if(modeChoice < 0)
										modeChoice = FACE_HELPCHOICE,showHelpText(FACE_HELPCHOICE);//匹配模式
									 break;
		case TAKE_KEYBOARD			:if(modeChoice == 1)
										Picture_Flag = 1,frame.copyTo(Pictures);	  //拍照指令
									 break;
		default:break;
	}
	/****************指令处理*********************/
	//退出指令
	if(Picture_Flag == -1){
		Picture_Flag = 0;
		printf("\n\n\t退出程序");
		return -1;
	}
	//拍照并存储指令 从第一张开始存储
	else if(Picture_Flag == 1){
		Picture_Flag = 0;
		sprintf(Picture_Name,"拍下的第%d张.jpg",Picture_Num);
		if(imwrite(Picture_Name,Pictures))
			printf("\t%s保存成功\n",Picture_Name);
		else
			printf("\t%s保存失败\n",Picture_Name);
		Picture_Num++;
	}

	/****************模式处理*********************/
	//拍照模式 样本提取相关操作在Picture_Flag == 1分支下
	if(modeChoice == TAKE_HELPCHOICE)
	{
		imshow("face",frame);		//实时显示拍照时最终提取的样本
	}
	//匹配模式 根据样本数量进行多次匹配，以适应不同角度下的人脸
	else if(modeChoice == FACE_HELPCHOICE && frame.data != 0)
	{
		Mat myface[FACE_NUM];	//用于匹配的FACE_NUM张样本
		static int successnum = 0;	//successnum匹配成功次数
		//匹配FACE_NUM张样本
		if(facenum < FACE_NUM)
		{	
			sprintf(Picture_Name,"拍下的第%d张.jpg",facenum+1);
			//样本读取
			myface[facenum] = imread(Picture_Name);
			//样本读取错误，结束样本读取
			if(myface[facenum].data == 0)
				return 0;
			//匹配成功facenum++
			if(faceCompare1(myface[facenum],frame) == FACE_SUCCESS)
				successnum++;
			facenum++;
		}
		else 
		{
			//显示最终匹配结果及样本匹配成功次数
			if(successnum >= 1)
				cout<<"帅哥你好！"<<successnum<<"\n";
			else
				cout<<"丑比走开！"<<successnum<<"\n";
			//匹配计数清零
			facenum = 0;
			successnum = 0;
		}
	}
	//main模式
	else
	{
		destroyWindow("face");			//关闭显示拍照时最终提取的样本
	}
	//正常退出，不退出main函数while循环
	return 0;	
}


/******************人脸匹配函数1*******************/
//函数名：faceCompare1
//参  数：参数一  myface
//						人脸样本Mat类型图像	  
//		  参数二  face
//						待匹配的Mat类型图像	
//返回值：匹配结果，匹配成功返回1，匹配失败返回0
//功  能：将输入myface及face进行匹配，并返回匹配结果
int faceCompare1(Mat myface,Mat face)
{
	Mat trainImage = myface;		//样本存入trainImage
	//如果带匹配图像为空，则退出
	if(face.empty())
		return FACE_FAILED;	

	//检测SURF关键点，提取训练图像描述符
	vector<KeyPoint>train_keyPoint; //样本特征点向量
	Mat trainDesciptor;
	SurfFeatureDetector featureDetector(80);
	featureDetector.detect(trainImage,train_keyPoint);
	SurfDescriptorExtractor featureExtractor;
	featureExtractor.compute(trainImage,train_keyPoint,trainDesciptor);

	//创建基于FLANN的描述符匹配对象
	FlannBasedMatcher matcher;
	vector<Mat> train_desc_collection(1,trainDesciptor);
	matcher.add(train_desc_collection);
	matcher.train();

	//检测SURF关键点，提取测试图像描述符
	vector<KeyPoint>test_keyPoint;
	Mat testDesciptor;
	featureDetector.detect(face,test_keyPoint);
	featureExtractor.compute(face,test_keyPoint,testDesciptor);

	//匹配训练和测试描述符
	vector<vector<DMatch>>matches;
	matcher.knnMatch(testDesciptor,matches,2);

	//根据劳氏算法，得到优秀的匹配点
	vector<DMatch>goodMatches;
	for(unsigned int i=0;i<matches.size();i++){
		if(matches[i][0].distance<0.6*matches[i][1].distance)
			goodMatches.push_back(matches[i][0]);
	}
	//匹配信息显示
	//cout<<"\ntrain_keyPoint ="<<train_keyPoint.size()<<"\n";
	//cout<<"test_keyPoint ="<<test_keyPoint.size()<<"\n";
	//cout<<"matches ="<<matches.size()<<"\n";
	//cout<<"goodMatches ="<<goodMatches.size()<<"\n";
	//样本特征点个数/匹配特征点个数 < FACE_MATCH 即匹配个数超过(100/FACE_MATCH)%则认定为匹配成功，返回1，否则匹配失败，返回0
	if((double)matches.size()/(double)goodMatches.size() < FACE_MATCH)
		return FACE_SUCCESS;
	else
		return FACE_FAILED;
}

/******************人脸匹配函数2*******************/
//函数名：faceCompare2
//参  数：参数一  myface
//						人脸样本Mat类型图像	  
//		  参数二  face
//						待匹配的Mat类型图像	
//返回值：匹配结果，匹配成功返回1，匹配失败返回0
//功  能：将输入myface及face进行匹配，并返回匹配结果
int faceCompare2(Mat myface,Mat face)
{
	Mat trainImage = myface;		//样本存入trainImage
	//如果带匹配图像为空，则退出
	if(face.empty())
		return FACE_FAILED;	

	//使用SURF算子检测关键点，调用detect函数检测出SURF特征点关键点，保存在vector容器中
	SurfFeatureDetector featureDetector(400);	//SURF算法中的hessian阈值为400
	vector<KeyPoint>train_keyPoint,test_keyPoint; //样本特征点向量
	featureDetector.detect(trainImage,train_keyPoint);
	featureDetector.detect(face,test_keyPoint);
	
	//计算描述符
	SurfDescriptorExtractor featureExtractor;
	Mat	trainDesciptor,testDesciptor;
	featureExtractor.compute(trainImage,train_keyPoint,trainDesciptor);
	featureExtractor.compute(face,test_keyPoint,testDesciptor);
	
	//创建基于FLANN的描述符匹配对象
	FlannBasedMatcher matcher;
	vector<DMatch>matches;
	matcher.match(testDesciptor,trainDesciptor,matches);
	double max_dist = 0;double min_dist = 100;		//最小距离和最大距离
	
	//计算出关键点之间的最大值和最小值
	for(int i = 0;i < testDesciptor.rows;i++)
	{
		double dist = matches[i].distance;
		if(dist < min_dist) min_dist = dist;
		if(dist > max_dist) max_dist = dist;
	}
	
	//根据劳氏算法，得到优秀的匹配点
	std::vector<DMatch>goodMatches;
	for(int i=0;i<testDesciptor.rows;i++){
		if(matches[i].distance<3*min_dist)
			goodMatches.push_back(matches[i]);
	}
	//匹配信息显示
	cout<<"\ntrain_keyPoint ="<<train_keyPoint.size()<<"\n";
	cout<<"test_keyPoint ="<<test_keyPoint.size()<<"\n";
	cout<<"matches ="<<matches.size()<<"\n";
	cout<<"goodMatches ="<<goodMatches.size()<<"\n";
	//样本特征点个数/匹配特征点个数 < FACE_MATCH 即匹配个数超过(100/FACE_MATCH)%则认定为匹配成功，返回1，否则匹配失败，返回0
	if((double)matches.size()/(double)goodMatches.size() < FACE_MATCH)
		return FACE_SUCCESS;
	else
		return FACE_FAILED;
}
/******************人脸匹配函数3*******************/
//函数名：faceCompare3
//参  数：参数一  myface
//						人脸样本Mat类型图像	  
//		  参数二  face
//						待匹配的Mat类型图像	
//返回值：匹配结果，匹配成功返回1，匹配失败返回0
//功  能：将输入myface及face进行匹配，并返回匹配结果
int faceCompare3(Mat myface,Mat face)
{
	Mat trainImage = myface;		//样本存入trainImage
	//如果带匹配图像为空，则退出
	if(face.empty())
		return FACE_FAILED;	
	OrbFeatureDetector featureDetector;
	vector<KeyPoint> keyPoints;
	Mat descriptors;

	//调用detect函数检测出特征关键点，保存在vector容器中
	featureDetector.detect(trainImage, keyPoints);

	//计算描述符（特征向量）
	OrbDescriptorExtractor featureExtractor;
	featureExtractor.compute(trainImage, keyPoints, descriptors);

	//基于FLANN的描述符对象匹配
	flann::Index flannIndex(descriptors, flann::LshIndexParams(12, 20, 2), cvflann::FLANN_DIST_HAMMING);

	//检测SIFT关键点并提取测试图像中的描述符
	vector<KeyPoint> captureKeyPoints;
	Mat captureDescription;

	//调用detect函数检测出特征关键点，保存在vector容器中
	featureDetector.detect(face, captureKeyPoints);

	//计算描述符
	featureExtractor.compute(face, captureKeyPoints, captureDescription);

	//匹配和测试描述符，获取两个最邻近的描述符
	Mat matchIndex(captureDescription.rows, 2, CV_32SC1), matchDistance(captureDescription.rows, 2, CV_32FC1);
	flannIndex.knnSearch(captureDescription, matchIndex, matchDistance, 2, flann::SearchParams());//调用K邻近算法

	//根据劳氏算法（Lowe's algorithm）选出优秀的匹配
	vector<DMatch> goodMatches;
	for(int i = 0; i < matchDistance.rows; i++) 
	{
		if(matchDistance.at<float>(i, 0) < 0.6 * matchDistance.at<float>(i, 1)) 
		{
			DMatch dmatches(i, matchIndex.at<int>(i, 0), matchDistance.at<float>(i, 0));
			goodMatches.push_back(dmatches);
		}
	}

	//匹配信息显示
	cout<<"\ntrain_keyPoint ="<<keyPoints.size()<<"\n";
	cout<<"test_keyPoint ="<<captureKeyPoints.size()<<"\n";
	//cout<<"matches ="<<dmatches<<"\n";
	cout<<"goodMatches ="<<goodMatches.size()<<"\n";
	//样本特征点个数/匹配特征点个数 < FACE_MATCH 即匹配个数超过(100/FACE_MATCH)%则认定为匹配成功，返回1，否则匹配失败，返回0
	if((double)captureKeyPoints.size()/(double)goodMatches.size() < FACE_MATCH)
		return FACE_SUCCESS;
	else
		return FACE_FAILED;
}

/******************提示信息函数*******************/
//函数名：showHelpText
//参  数：参数一  choice
//						提示信息选择参数  
//返回值：void
//功  能：对当前操作提供提示信息
void showHelpText(int choice)
{
	if(choice == MAIN_HELPCHOICE){
		//输出一些帮助信息
		printf("\n\n\n\t人脸识别电子门锁 \n\n");
		printf("\t当前使用的Opencv版本为"CV_VERSION);
		printf("\n\n\t模式选择：\n\n");
		printf("\t\t键盘按键【1】   拍照模式\n");
		printf("\t\t键盘按键【2】   人脸识别模式\n\n");
		printf("\t\t键盘按键【ESC】 退出程序\n\n");
	}
	else if(choice == TAKE_HELPCHOICE){
		//输出一些帮助信息
		printf("\n\n\n\t拍照模式 \n\n");
		printf("\t当前使用的Opencv版本为"CV_VERSION);
		printf("\n\n\t模式选择：\n\n");
		printf("\t\t键盘按键【ESC】  退出拍照模式\n");
		printf("\t\t键盘按键【TAKE】 拍照\n\n");
	}
	else if(choice == FACE_HELPCHOICE){
		//输出一些帮助信息
		printf("\n\n\n\t人脸识别模式 \n\n");
		printf("\t当前使用的Opencv版本为"CV_VERSION);
		printf("\n\n\t人脸识别中 \n\n");
		printf("\t\t键盘按键【ESC】  退出人脸识别模式\n");
	}
}

/******************帧率信息函数*******************/
//函数名：showTime
//参  数：参数一  state
//						选择计时开始或是结束的参数  
//返回值：返回当前帧率
//功  能：统计运行帧率
float showTime(int state)
{
	static double time0 = 0;
	float fps = 0;
	if(state == COUNT_START)
		time0 = getTickCount();
	else if(state == COUNT_END)
		fps = getTickFrequency()/(getTickCount() - time0);
	return fps;
}

 

转载于:https://www.cnblogs.com/HongZheng/p/5410390.html

Opencv使用级联分类器进行人脸检测
DaveBobo的博客
06-14 4765
使用Opencv中的级联分类器进行人脸检测时有两种方式，第一种是使用老版本的CvHaarClassifierCascade函数，第二种是使用新版本的CascadeClassifier类，老版本的分类器只支持类Haar特征，而新版本的分类器既可以使用Haar，也可以使用LBP特征。这里我们使用新版本的CascadeClassifier类写一个例子如下： #include "opencv2/core
C# code 0002
weixin_30778805的博客
11-26 108
usingSystem;namespaceP2_5{classSelectOutput{staticvoidMain(){Console.WriteLine("请选择要显示的内容：");Console.WriteLine("1.开发环境");...
接口数据返回---标准格式
热门推荐
IT云清
11-11 3万+
在项目开发中，初期搭建框架时，定好通用的接口数据返回格式，定义好全局的状态码，是非常有必要的。一个项目，甚至整个公司，遵循同一套接口返回格式规范，这样可以极大的提高进度，降低沟通成本。
vue解决跨域——配置代理
weixin_46122878的博客
07-05 179
vue解决跨域问题
OpenCV基础人脸检测（Harr级联实现）
weixin_36368407的博客
11-13 765
#include #include #include #include #include   #include   #include   #include #include using namespace std; using namespace cv; double diffent_pixel_sum = 0; /** Function Headers
面部识别技术新突破：FaceRecognition - 深入探索与应用
gitblog_00030的博客
04-20 1047
面部识别技术新突破：FaceRecognition - 深入探索与应用 在人工智能领域中，面部识别技术正日益成为日常生活和商业应用的重要组成部分。今天，我们将深入探讨一个名为FaceRecognition的开源项目，该项目由Eagleqq开发并在Gitcode上分享。让我们一起了解它的技术细节、应用场景及其独特优势。 项目简介 FaceRecognition是一个基于Python的简单易用的面部识...
17app android,GitHub - shiwei17/FaceRecognitionApp: Face Recognition Android App
weixin_42322782的博客
05-28 198
Face Recognition Android AppDeveloped by Kristian Lauszus, 2016The code is released under the GNU General Public License.This project demonstrates how to calculate Eigenfaces and Fisherfaces used for ...
face recognition[翻译][深度人脸识别:综述]
GarfieldEr007的专栏
11-11 7135
这里翻译下《Deep face recognition: a survey v4》. 1 引言 由于它的非侵入性和自然特征，人脸识别已经成为身份识别中重要的生物认证技术，也已经应用到许多领域，如军事，进入，公共安全和日常生活。FR自然在CVPR会议中也占据了十分长的时间。早在1990年代，随着特征脸的提出[157]，FR就成为了一个比较热门的研究领域。过去基于特征进行FR的里程碑方法在图1中有...
face recognition code_matlab_
10-01
在"face recognition code"的压缩包中，可能包含了实现上述过程的MATLAB源代码，包括预处理、特征提取、匹配和识别等功能模块，以及可能的GUI界面设计。通过阅读和理解这些代码，你可以深入学习和掌握MATLAB在面部...
Matlab 3d Face Recognition Code：3d人脸识别生物识别系统matlab完整源码-matlab开发
05-29
职能： 选择图像：读取输入图像。 将选择的图像添加到数据库：输入的图像将添加到数据库，并将用于训练。 数据库信息：显示有关数据库中存在的图像的信息。 图像必须具有相同的大小。 如果不是这样，则必须调整它们...
java-code-for-face-recognition-using-eigenfaces.z_3D face recogn
09-19
【标题】"java-code-for-face-recognition-using-eigenfaces.z_3D face recogn" 提供的是一个使用OpenCV库进行三维人脸识别的Java代码实现。在计算机视觉领域，人脸识别是一项重要的技术，它允许系统识别和验证个体...
face_recognition.rar_FACE-Recognition_face recognition
07-15
matlab code for Face_recognition
深度学习作业L4W4（1）：Face Recognition for the Happy House
awake020
05-05 219
主题：人脸识别 triplet loss # GRADED FUNCTION: triplet_loss def triplet_loss(y_true, y_pred, alpha = 0.2): """ Implementation of the triplet loss as defined by formula (3) Arguments: y_...
使用 Fast Mock 时，出现 “没有匹配到接口或者该接口不支持 GET 类型的 请求” 的 异常
norang的博客
09-10 2679
在 使用 fast mock ，时，有些 自己犯的 小错误，还是 总是，使 接口无法访问，但 又不知道，问题出现在哪？ 预览 接口后，出现了 没有 匹配接口，或 不支持 get 类型的请求的 异常提示。 原因 ，就是 url，这里的 填空中，有 空格。 将 空格 删除 后，就可以 正常访问了。 ...
阿里云Qwen3系列模型部署微调评测
wys的专栏
09-07 993
让算力成为公共服务：用大规模的通用计算，帮助客户做从前不能做的事情，做从前做不到的规模。让数据成为生产资料：用数据的实时在线，帮助客户以数据为中心改变生产生活方式创造新的价值。
torch神经网络入门级设备测试
m0_71002812的博客
09-07 1306
本文介绍了一个基于PyTorch的CPU与GPU性能评估系统，用于比较不同硬件在求解常微分方程(ODE)的神经网络模型中的计算效率。系统包含以下核心功能： 自动检测CUDA可用性及GPU配置 构建多层前馈神经网络模型求解二阶ODE 性能基准测试：分别在CPU/GPU上运行相同训练任务，计算加速比 内存使用分析：对比CPU/GPU张量的内存占用情况 梯度计算专项测试：评估反向传播耗时差异 评估结果显示，在处理大规模数据(≥5000个数据点)时，GPU凭借并行计算优势可获得显著加速效果。系统适用于科研人员优化物
AI驱动的软件测试：革命性的自动化、缺陷检测与实验优化
zzywxc787的博客
09-06 703
人工智能（AI）和机器学习（ML）技术的融入，正在从根本上重塑软件测试的格局，将其从一种主要是手动的、重复性的任务转变为一种智能的、预测性的、且持续优化的过程。*说明：多臂老虎机算法（MAB）由于将更多流量分配给了更好的版本B，其累积回报（点击次数）的增长速度远快于传统A/B测试（固定50/50分流）。： 利用NLP技术（如文本分类）自动分析新提交的Bug报告的内容、标题和描述，将其自动分类（如“前端UI问题”、“后端API错误”），并推荐或分配给最合适的开发人员（基于谁修改了相关代码文件）。
[TKDE 2023] A Review on Deep Neural Networks for ICD Coding
最新发布
Sherlily的博客
09-07 1535
计算机-人工智能-ICD编码机器学习深度学习综述
在vscode安装face_recognition
05-05
要在VS Code中安装face_recognition，需要先在计算机上安装Python和dlib库。您可以按照以下步骤进行操作： 1. 安装Python。您可以从Python官网下载适合您操作系统的Python安装程序，并按照提示进行安装。 2. 安装...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值