本次教程是使用到了opencv的庫,如果沒有安裝請先根據安裝教程安裝.
opencv庫中,顏色不是rgb ,而是bgr,也就是說,乙個畫素點由[藍色值,綠色值,紅色值]組成.比如 : 我想讀取a影象(假設a的影象矩陣變數為img_a)第150行第20列處的畫素值,可使用** :
img_a[150,20,:]又如 : 我想讀取詳細的顏色值,**如下:
blue = img_a[150,20,0]
green = img_a[150,20,1]
red = img_a[150,20,2]
隨機生成畫素的原理是首先產生空矩陣,然後確定矩陣的5000個隨機位置,最後將隨機位置處的畫素值設定為隨機數組.如果我想要顯示影象,其原理是 : 首先使用imread(檔名)讀取影象檔案,生成影象矩陣,然後呼叫imshow()顯示影象,然後呼叫waitkey()等待按鍵,最後呼叫destroyallwindows()銷毀所有視窗,釋放記憶體.
import numpy as np
import cv2
if __name__ == '__main__':
#行數sz1 = 200
#列數 sz2 = 300
print('產生的空影象矩陣為(%s,%s)' % (sz1,sz2))
img = np.zeros((sz1,sz2,3),np.uint8)
pos1 = np.random.randint(200,size = (5000,1)) #行位置隨機數組
pos2 = np.random.randint(300,size = (5000,1)) #列位置隨機數組
#在隨機位置設定畫素點值
for i in range(5000):
img[pos1[i],pos2[i],[0]] = np.random.randint(0,255)
img[pos1[i],pos2[i],[1]] = np.random.randint(0,255)
img[pos1[i],pos2[i],[2]] = np.random.randint(0,255)
#顯示影象
cv2.imshow('preview...',img)
#等待按鍵
cv2.waitkey()
#銷毀視窗
if __name__ == '__main__'這段**的含義是 : 如果這段**是主程式而不是被載入(如import),那麼就執行下面的**.
img = np.zeros((sz1,sz2,3),np.uint8)這段**的含義是使用numpy的庫,呼叫zeros函式產生大小為[(sz1,sz2,3),np.uint8]的矩陣,裡面都是用0來填充的.
如果**是np.zeros((3,4,5),np.uint8),那麼產生的型別是
pos1 = np.random.randint(200,size = (5000,1)) #行位置隨機數組這段**產生的型別是
機器學習第5章第3節 LMS的學習率退火演算法
模擬退火演算法 於固體退火原理，退火就是講材料加熱後再經過特定速率冷卻，目的是增大晶粒的體積，並且減少晶格的缺陷。材料中的原子原來會停留在使內能有區域性最小值的位置，加熱使能量變大，原子會離開原來的位置，而隨機在其他位置中移動。退火冷卻時速度較慢，徐徐冷卻時粒子漸趨有序，原子有可能找到內能比原先更低...
《機器學習》西瓜書習題 第 4 章
試證明對於不含衝突資料 即特徵向量完全相同但標記不同 的訓練集,必存在與訓練集一致 即訓練誤差為 0 的決策樹.既然每個標記不同的資料特徵向量都不同,只要樹的每一條 從根解點到乙個葉節點算一條 枝幹代表一種向量,這個決策樹就與訓練集一致.試析使用 最小訓練誤差 作為決策樹劃分選擇準則的缺陷.4.1 ...
《機器學習》（周志華） 第3章 線性模型
一 線性回歸 線性回歸沒什麼好說的，它的思想是採用對輸入樣例各個特徵進行線性加權的方式得到 的輸出，並將 的輸出和真實值的均方誤差最小化。說白了如果輸入樣例只有乙個特徵，那這個過程就是用一條直線去擬合平面直角座標系上的點 如果有兩個特徵，表現在平面直角座標系上就是用一條直線將用不同標記 如xx和oo...