本文共 1916 字,大约阅读时间需要 6 分钟。
本人正在学习OpenCV中的机器学习模块,在网上查阅了大量资料后,选择了较为简单的入门实例,便于理解机器学习模型训练和用训练好的模型进行预测的实现过程。实例是通过身高和体重来预测人的性别,利用OpenCV中的bp神经网络来实现。代码整理如下:
#include#include #include #include using namespace std;using namespace cv;int main(){ /*定义神经网络及参数*/ CvANN_MLP bp; //bp网络 CvANN_MLP_TrainParams params; //bp网络参数 params.train_method = CvANN_MLP_TrainParams::BACKPROP;//使用简单的BP算法,还可使用RPROP /*BACKPROP表示使用back-propagation的训练方法,使用BACKPROP有两个相关参数:bp_dw-scale,bp_moment_scale RPROP即最简单的propagation训练方法,使用PRPOP有四个相关参数:rp_dw0,rp-dw_plus,rp_dw_minus,rp_dw_min,rp_dw_max */ params.bp_dw_scale = 0.1; params.bp_moment_scale = 0.1; /*设置网络层数,训练数据*/ //建立一个标签矩阵 float labels[4][2] = { { 0, 0 }, { 0, 0 }, { 1, 1 }, { 1, 1 } }; //标签数据,前两个表示男生,后两个表示女生 Mat labelsMat(4, 2, CV_32FC1, labels); //建立一个训练样本矩阵 float trainingData[4][2] = { { 186, 80 }, { 185, 81 }, { 160, 50 }, { 161, 48 } }; //训练数据,两个维度,表示身高和体重 Mat trainingDataMat(4, 2, CV_32FC1, trainingData); Mat layerSizes = (Mat_ (1, 4) << 2, 2, 2, 2);//含有两个隐含层的网络结构,输入、输出层各两个节点,每个隐含层含两个节点 /*layerSizes设置了有两个隐含层的网络结构:输入层,两个隐含层,输出层。输入层和输出层节点数均为2,中间隐含层每层有两个节点 create第二个参数可以设置每个神经节点的激活函数,默认为CvANN_MLP::SIGMOID_SYM */ bp.create(layerSizes, CvANN_MLP::SIGMOID_SYM);//激活函数为SIGMOID函数,还可使用高斯函数(CvANN_MLP::GAUSSIAN),阶跃函数(CvANN_MLP::IDENTITY) bp.train(trainingDataMat, labelsMat, Mat(), Mat(), params);//训练的接口train() //bp.save("bp.xml");//存储模型 //bp.load("bp.xml");//读取模型 /*使用训练好的网络结构分类新的数据*/ //测试数据(184,79)存储为1行2列的float类型的Mat中 Mat sampleMat = (Mat_ (1, 2) << 184, 79); //测试数据,为一男生 Mat responseMat; bp.predict(sampleMat, responseMat);//预测接口predict() Point maxLoc; //minMaxLoc在矩阵中需找全局的最大最小数 minMaxLoc(responseMat, NULL, NULL, NULL, &maxLoc); //response为1行(1个测试数据),2列(共两种类别),每列表示该数据与该类相似的可能性,这里取最大的一类 if (maxLoc.x == 0) cout << "Boy" << endl; if (maxLoc.x == 1) cout << "Girl" << endl; return 0;}
运行结果如下: