weixin_43749019的博客

一、笑脸数据集（genki4k）正负样本的划分、模型训练和测试的过程（至少包括SVM、CNN），输出模型训练精度和测试精度（F1-score和ROC）1.训练数据1) 导入Kerasimport keraskeras.__version__'2.3.1'2) 读取数据集，训练import os, shutil# The path to the directory where the original# dataset was uncompressedoriginal_dataset_

Python人脸图像特征提取方法一、HOG人脸图像特征提取1、HOG特征：1) 主要思想：2) 实现方法：3) 性能提高：4) 优点2、HOG特征提取算法的实现过程：二、Dlib人脸图像特征提取1.Dlib介绍2.主要特点三、卷积神经网络人脸图像特征提取1、卷积神经网络简介2、卷积神经网络结构1) 输入层2) 隐含层卷积层池化层输出层一、HOG人脸图像特征提取1、HOG特征：方向梯度直方图（Histogram of Oriented Gradient, HOG）特征

Python语言学习-----Ubuntu16.04上基于YoloV4 的Keras物体识别目录一、YoloV4-Keras包的下载1、下载2、yolov4.weights下载3、VOC训练集、测试集下载二、yolov4.weights的h5模型转换1、修改包中convert.py代码内容2、权重转换模型三、基于YoloV4 的Keras物体识别1、修改test.py代码2、数据图片准备，百度一张小车图片，放进YoloV4-Keras包3、终端运行测试四、扩展一----5h模型训练

MNIST数据介绍：本章使用MNIST数据集，这是一组由美国高中生和人口调查局员工手写的70000个数字的图片。每张图像都用其代表的数字标记。这个数据集被广为使用，因此也被称作是机器学习领域的“Hello World”:但凡有人想到了一个新的分类算法，都会想看看在MNIST上的执行结果。因此只要是学习机器学习的人，早晚都要面对MNIST。# 使用sklearn的函数来获取MNIST数据集fr...

凸优化基础 凸优化基础一、计算几何二、凸集三、平面凸优化基础一、计算几何1、计算几何是研究什么的计算几何研究的对象是几何图形。早期人们对于图像的研究一般都是先建立坐标系，把图形转换成函数，然后用插值和逼近的数学方法，特别是用样条函数作为工具来分析图形，取得了可喜的成功。然而，这些方法过多地依赖于坐标系的选取，缺乏几何不变性，特别是用来解决某些大挠度曲线及曲线的奇异点等问题时，有一定的局限性...

人工智能实验————利用Python编程，求解多元函数极值和回归问题的几种方法一、牛顿法1.原理详解高次方程没有通解，可以依靠牛顿迭代法来求解。没有根式解不意味着方程解不出来，数学家也提供了很多方法，牛顿迭代法就是其中一种。首先，切线是曲线的线性逼近。可以通过研究简单切线的解来近似的逼近复杂曲线的解随便找一个曲线上的A点（为什么随便找，根据切线是切点附近的曲线的近似，应该在根点附近找，但是...