opencv中使用神經網路的方式
step 1: 載入網路模型(以及網路引數配置資訊)
prototxtpath = os.path.sep.join([args["face"], "deploy.prototxt"])
weightspath = os.path.sep.join([args["face"],
"res10_300x300_ssd_iter_140000.caffemodel"])
facenet = cv2.dnn.readnet(prototxtpath, weightspath)
masknet = load_model("maskdetect.model")
step 2: 構造乙個適合這個網路模型的輸入
一般包含,解析度(有些網路是固定,有些可容許多種規格選擇),要不要裁剪crop,swaprb是指rgb還是bgr
blob = cv2.dnn.blobfromimage(frame, 1 / 255.0, (416, 416),swaprb=true,crop=false)
net.setinput(blob)
face = frame[starty:endy, startx:endx]
face = cv2.cvtcolor(face, cv2.color_bgr2rgb)
face = cv2.resize(face, (224, 224))
face = img_to_array(face)
face = preprocess_input(face)
step 3: 推理, 即計算出結果(檢測種類以及概率), 有些還會有位置座標引數
detections = facenet.forward()
tensorflow的推理**:
preds = masknet.predict(faces, batch_size=32)
機器學習，深度學習，神經網路，深度神經網路
先來說一下這幾者之間的關係 人工智慧包含機器學習，機器學習包含深度學習 是其中比較重要的分支 深度學習源自於人工神經網路的研究，但是並不完全等於傳統神經網路。所以深度學習可以說是在傳統神經網路基礎上的公升級。神經網路一般有輸入層 隱藏層 輸出層，一般來說隱藏層大於2的神經網路就叫做深度神經網路，深度...
深度學習 深度神經網路
神經網路是由乙個個神經元相互連線並按層次排列構成的，深度神經網路是有任意層的神經網路，這裡的深度是指層次的多，而不是神經元數量的多。有任意層，那麼就要有乙個迴圈來負責遍歷每一層進行計算。所以深度神經網路的計算形式，就必須要適應這個迴圈結構。我們先來說說神經元吧 對於多神經元神經網路，其實也是一樣的。...
神經網路和深度學習 淺層神經網路
乙個淺層神經網路示意圖 如圖所示，表示乙個單隱層的網路結構。這裡主要需要注意的是，層與層之間引數矩陣的規格大小 隱藏層和輸出層之間 由上面我們可以總結出，在神經網路中，我們以相鄰兩層為觀測物件，前面一層作為輸入，後面一層作為輸出，兩層之間的w引數矩陣大小為 n out,nin b引數矩陣大小為 n ...