opencv分類(lèi)器訓(xùn)練？我碰巧遇到了我編寫(xiě)的解決方案-Nstages參數(shù)用于設(shè)置訓(xùn)練步驟的數(shù)量（因?yàn)樗鼞?yīng)該是獲得的強(qiáng)分類(lèi)器的數(shù)量，我認(rèn)為是這樣）。默認(rèn)參數(shù)為14，可自行更改。有時(shí)，當(dāng)訓(xùn)練步驟為7或8時(shí)

opencv分類(lèi)器訓(xùn)練？

我碰巧遇到了我編寫(xiě)的解決方案-Nstages參數(shù)用于設(shè)置訓(xùn)練步驟的數(shù)量（因?yàn)樗鼞?yīng)該是獲得的強(qiáng)分類(lèi)器的數(shù)量，我認(rèn)為是這樣）。默認(rèn)參數(shù)為14，可自行更改。有時(shí)，當(dāng)訓(xùn)練步驟為7或8時(shí)，程序會(huì)停止，從而導(dǎo)致錯(cuò)誤。無(wú)法生成XML文件?？梢詫?nstages參數(shù)設(shè)置為要重新訓(xùn)練的相應(yīng)步驟數(shù)。當(dāng)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(dòng)添加分類(lèi)器，但是用cvload直接加載XML文件并不方便。

如何使用自己訓(xùn)練的分類(lèi)器opencv svm hog？

我的個(gè)人測(cè)試很有效：使用hog SVM來(lái)訓(xùn)練你自己的分類(lèi)器

#實(shí)例化并提取hog特征類(lèi)

hog=CV2。Hogdescriptor（）]#加載您自己的分類(lèi)器弓形負(fù)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(duì)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(jī)器學(xué)習(xí)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(duì)這些向量、矩陣和張量的運(yùn)算和操作。

其他“傳統(tǒng)”機(jī)器學(xué)習(xí)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(diǎn)來(lái)看，主成分分析是對(duì)協(xié)方差矩陣進(jìn)行對(duì)角化。

尤其是當(dāng)你讀論文或想更深入的時(shí)候，概率論的知識(shí)是非常有用的。

它包括邊緣概率、鏈?zhǔn)揭?guī)則、期望、貝葉斯推理、最大似然、最大后驗(yàn)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?yàn)榭晌⒛Ｐ涂梢杂锰荻认陆捣▋?yōu)化。梯度下降和導(dǎo)數(shù)是分不開(kāi)的。所以多元微積分也需要。另外，由于機(jī)器學(xué)習(xí)是以統(tǒng)計(jì)方法為基礎(chǔ)的，因此統(tǒng)計(jì)知識(shí)是必不可少的。但是，大多數(shù)理工科專業(yè)學(xué)生都應(yīng)該學(xué)過(guò)這兩部分內(nèi)容，所以這可能不屬于需要補(bǔ)充的內(nèi)容。

機(jī)器學(xué)習(xí)需要哪些數(shù)學(xué)基礎(chǔ)？

標(biāo)準(zhǔn)定義：對(duì)于任務(wù)及其性能過(guò)程的度量方法，給出了具體的算法。利用經(jīng)驗(yàn)數(shù)據(jù)不斷改進(jìn)任務(wù)執(zhí)行過(guò)程的方法稱為機(jī)器學(xué)習(xí)。

簡(jiǎn)單定義：

舉個(gè)簡(jiǎn)單的例子：出租車(chē)司機(jī)開(kāi)車(chē)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(guò)程”是從上海到北京的不同道路，“經(jīng)驗(yàn)數(shù)據(jù)”是每一條可以走的道路。在此基礎(chǔ)上，設(shè)計(jì)了一種算法，利用實(shí)證數(shù)據(jù)建立“上海哪條路走”模型，提高北京的速度效應(yīng)。

為了通過(guò)使用經(jīng)驗(yàn)數(shù)據(jù)改進(jìn)性能過(guò)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(jī)器自由試錯(cuò)，然后根據(jù)試錯(cuò)結(jié)果與樣本真實(shí)結(jié)果之間的誤差調(diào)整試錯(cuò)策略。對(duì)誤差較小的嘗試進(jìn)行獎(jiǎng)勵(lì)，對(duì)誤差較大的嘗試進(jìn)行懲罰，然后在一個(gè)周期內(nèi)進(jìn)行試驗(yàn)，直到所有樣本的學(xué)習(xí)結(jié)果達(dá)到我們定義的最佳性能。

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

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

當(dāng)然，人們可以找到一種新的方法。新手可以一路詢問(wèn)老司機(jī)，而不是一路反復(fù)探索。