opencv分類器訓練？我碰巧遇到了我編寫的解決方案-Nstages參數(shù)用于設(shè)置訓練步驟的數(shù)量（因為它應該是獲得的強分類器的數(shù)量，我認為是這樣）。默認參數(shù)為14，可自行更改。有時，當訓練步驟為7或8時

opencv分類器訓練？

我碰巧遇到了我編寫的解決方案-Nstages參數(shù)用于設(shè)置訓練步驟的數(shù)量（因為它應該是獲得的強分類器的數(shù)量，我認為是這樣）。默認參數(shù)為14，可自行更改。有時，當訓練步驟為7或8時，程序會停止，從而導致錯誤。無法生成XML文件?？梢詫?nstages參數(shù)設(shè)置為要重新訓練的相應步驟數(shù)。當然，它可以在不生成XML文件的情況下使用。cvloadhaarclassifier cascade函數(shù)用于手動添加分類器，但是用cvload直接加載XML文件并不方便。

如何使用自己訓練的分類器opencv svm hog？

我的個人測試很有效：使用hog SVM來訓練你自己的分類器

#實例化并提取hog特征類

hog=CV2。Hogdescriptor（）]#加載您自己的分類器弓形負載(" myHogDector.bin文件“）

#閱讀圖片

img=CV2。讀?。‵，CV2。顏色）ubgr2灰色）

矩形，ux=hog.detect多尺度（IMG，winstride=（4,4），padding=（8,8），scale=1.05）

對于矩形中的（x，y，W，H）：

CV2。矩形（IMG，（x，y），（x，W，y，H），（00255），2）

CV2。Imshow（“{}”。格式（I，IMG）

CV2。最重要的是線性代數(shù)和概率論。

現(xiàn)在最流行的機器學習模型，神經(jīng)網(wǎng)絡(luò)基本上有很多向量、矩陣、張量。從激活函數(shù)到損失函數(shù)，從反向傳播到梯度下降，都是對這些向量、矩陣和張量的運算和操作。

其他“傳統(tǒng)”機器學習算法也使用大量線性代數(shù)。例如，線性回歸與線性代數(shù)密切相關(guān)。

從線性代數(shù)的觀點來看，主成分分析是對協(xié)方差矩陣進行對角化。

尤其是當你讀論文或想更深入的時候，概率論的知識是非常有用的。

它包括邊緣概率、鏈式規(guī)則、期望、貝葉斯推理、最大似然、最大后驗概率、自信息、香農(nóng)熵、KL散度等。

神經(jīng)網(wǎng)絡(luò)非常講究“可微性”，因為可微模型可以用梯度下降法優(yōu)化。梯度下降和導數(shù)是分不開的。所以多元微積分也需要。另外，由于機器學習是以統(tǒng)計方法為基礎(chǔ)的，因此統(tǒng)計知識是必不可少的。但是，大多數(shù)理工科專業(yè)學生都應該學過這兩部分內(nèi)容，所以這可能不屬于需要補充的內(nèi)容。

機器學習需要哪些數(shù)學基礎(chǔ)？

標準定義：對于任務(wù)及其性能過程的度量方法，給出了具體的算法。利用經(jīng)驗數(shù)據(jù)不斷改進任務(wù)執(zhí)行過程的方法稱為機器學習。

簡單定義：

舉個簡單的例子：出租車司機開車送你從上海到北京。在這里，“任務(wù)”是從上海到北京，“表現(xiàn)過程”是從上海到北京的不同道路，“經(jīng)驗數(shù)據(jù)”是每一條可以走的道路。在此基礎(chǔ)上，設(shè)計了一種算法，利用實證數(shù)據(jù)建立“上海哪條路走”模型，提高北京的速度效應。

為了通過使用經(jīng)驗數(shù)據(jù)改進性能過程，最流行的方法是“誤差反向傳播”。該方法的核心思想是：讓機器自由試錯，然后根據(jù)試錯結(jié)果與樣本真實結(jié)果之間的誤差調(diào)整試錯策略。對誤差較小的嘗試進行獎勵，對誤差較大的嘗試進行懲罰，然后在一個周期內(nèi)進行試驗，直到所有樣本的學習結(jié)果達到我們定義的最佳性能。

通過“誤差反向傳播”算法，機器將探索越來越多的上海到北京的道路，并以越來越快的速度找到最佳道路，這與老司機在多次駕駛后得到最佳選擇基本相同。

人與機器之間的差距也將反映在這里。當從上海到北京有很多路的時候，人們不可能總是像機器那樣探索道路。對于機器的數(shù)據(jù)處理能力來說，這樣的數(shù)據(jù)量可能是幾分鐘內(nèi)的最佳選擇

當然，人們可以找到一種新的方法。新手可以一路詢問老司機，而不是一路反復探索。