【深度学习进阶】基于CNN的10种物体识别项目

介绍

基于卷积神经网络（CNN）的猫狗图片分类项目是机器学习领域中的一种常见任务，它涉及图像处理和深度学习技术。以下是该项目的技术点和流程介绍：

技术点

  • 卷积神经网络 (CNN): CNN 是一种专门用于处理具有类似网格结构的数据的神经网络模型，比如时间序列数据或二维的图像数据。CNN 的核心组件包括卷积层、池化层和全连接层。
  • 卷积层: 卷积层使用滤波器（或称内核）在输入图像上滑动，并计算局部加权和来检测图像中的特征，如边缘、纹理等。
  • 激活函数: 激活函数（如ReLU, Sigmoid等）引入非线性因素，使得网络可以学习到更复杂的模式。
  • 池化层: 通常采用最大池化或平均池化操作，用于减少空间尺寸，降低参数数量，同时保留最重要的信息。
  • 全连接层: 在最后几层，CNN 会将多维的特征图展平为一维向量，并通过全连接层进行分类预测。
  • 损失函数与优化算法: 使用交叉熵作为损失函数，通过反向传播和梯度下降等优化算法来更新网络权重。
  • 正则化技术: 包括L2正则化、Dropout等，以防止过拟合。
  • 数据增强: 通过对原始图像进行旋转、翻转、缩放等变换生成更多的训练样本，增加模型的泛化能力。
  • 预训练模型: 可以利用已经在大规模数据集上训练好的模型（如VGG16, ResNet等），并在此基础上进行迁移学习。

流程

  • 数据收集: 收集大量标注好的10种物体的图片作为训练集和测试集。
  • 数据预处理: 对图像进行标准化（如调整大小、归一化像素值）以及可能的数据增强。
  • 构建模型: 设计CNN架构，选择合适的层数、滤波器大小和其他超参数。
  • 训练模型: 使用训练数据集对CNN进行训练，调整模型参数以最小化损失函数。
  • 评估模型: 在验证集或独立的测试集上评估模型性能，检查准确率、召回率等指标。
  • 调优模型: 根据评估结果调整模型架构或超参数，重复训练和评估过程直至满意。
  • 部署模型: 将最终训练好的模型部署到生产环境中，实现对新图像的实时分类。
  • 持续改进: 随着时间推移，可能会有新的数据加入，或者发现模型表现不佳的地方，这时就需要不断迭代和改进模型。

10种物体识别

基于卷积神经网络（CNN）的10种物体识别项目可以是一个非常有趣且具有挑战性的任务，适用于教育、研究或商业应用。下面将介绍一个典型的项目框架，并列举可能涉及的10种类别物体。

项目概述

  • 目标：开发一个深度学习模型，使用卷积神经网络来识别和分类图像中的10种不同类型的物体。

  • 数据集：为了训练和测试模型，需要收集或使用现有的标记数据集，其中包含每个类别的大量样本图像。常用的数据集如ImageNet、CIFAR-10等可以作为起点，但为了确保涵盖特定的10种类别，你可能需要定制自己的数据集。

工具和技术

  • 编程语言：Python
  • 深度学习框架：TensorFlow, Keras, PyTorch
  • 预处理工具：OpenCV, PIL/Pillow
  • 硬件加速：GPU (NVIDIA CUDA)
  • 评估指标：准确率、召回率、F1分数、混淆矩阵等。

10种类别物体

对于这个项目，我们可以选择以下10种类别的物体：

  • 猫 - 家养宠物之一。
  • 狗 - 另一家养宠物。
  • 汽车 - 交通工具。
  • 飞机 - 空中交通工具。
  • 自行车 - 非机动车。
  • 椅子 - 日常用品。
  • 桌子 - 日常用品。
  • 苹果 - 水果。
  • 瓶子 - 容器物品。
  • 书本 - 学习用品。

项目步骤

  1. 数据收集与准备
    收集每种类别至少几千张图片。
    对图片进行标注，确保类别标签正确无误。
    将数据分为训练集、验证集和测试集（例如按照7:1:2的比例）。
  2. 数据增强
    使用数据增强技术（如旋转、缩放、裁剪、翻转等）来扩充数据集，提高模型泛化能力。
  3. 构建CNN模型
    设计或选择预训练的CNN架构（如VGG16, ResNet, Inception等）。
    根据具体需求调整网络结构，比如增加或减少层数、改变滤波器大小等。
  4. 训练模型
    使用适当的优化算法（如Adam, SGD）和损失函数（如交叉熵损失）。
    在训练过程中监控过拟合问题，必要时采用正则化方法（如Dropout）。
  5. 模型评估
    在验证集上评估模型性能，根据结果调参以改进模型。
    使用测试集最终评估模型的表现，并记录各项评价指标。
  6. 模型部署
    将训练好的模型导出为可以在实际环境中运行的形式。
    如果是Web应用程序，则可以通过Flask/Django等框架部署；如果是移动应用，则考虑转换为轻量级格式如TensorFlow Lite。

导包

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import tensorflow as tf

加载数据

(x_train_all, y_train_all), (x_test, y_test) = tf.keras.datasets.cifar10.load_data()x_valid, x_train = x_train_all[:5000], x_train_all[5000:]
y_valid, y_train = y_train_all[:5000], y_train_all[5000:]x_valid.shape

(5000, 32, 32, 3)

x_train.shape

(45000, 32, 32, 3)

x_test.shape

(10000, 32, 32, 3)

y_test.shape

(10000, 1)

plt.imshow(x_test[0])
plt.title(y_test[0][0])

Text(0.5, 1.0, '3')

在这里插入图片描述

x_test[0]

array([[[158, 112,  49],[159, 111,  47],[165, 116,  51],...,[137,  95,  36],[126,  91,  36],[116,  85,  33]],[[152, 112,  51],[151, 110,  40],[159, 114,  45],...,[136,  95,  31],[125,  91,  32],[119,  88,  34]],[[151, 110,  47],[151, 109,  33],[158, 111,  36],...,[139,  98,  34],[130,  95,  34],[120,  89,  33]],...,[[ 68, 124, 177],[ 42, 100, 148],[ 31,  88, 137],...,[ 38,  97, 146],[ 13,  64, 108],[ 40,  85, 127]],[[ 61, 116, 168],[ 49, 102, 148],[ 35,  85, 132],...,[ 26,  82, 130],[ 29,  82, 126],[ 20,  64, 107]],[[ 54, 107, 160],[ 56, 105, 149],[ 45,  89, 132],...,[ 24,  77, 124],[ 34,  84, 129],[ 21,  67, 110]]], dtype=uint8)

归一化

from sklearn.preprocessing import StandardScalerscaler = StandardScaler()
x_train_scaled = scaler.fit_transform(x_train.astype(np.float32).reshape(-1, 1)).reshape(-1, 32, 32, 3)
x_valid_scaled = scaler.transform(x_valid.astype(np.float32).reshape(-1, 1)).reshape(-1, 32, 32, 3)
x_test_scaled = scaler.transform(x_test.astype(np.float32).reshape(-1, 1)).reshape(-1, 32, 32, 3)

构建网络

卷积层与池化层

模型由多个卷积层和最大池化层交替组成，每一组卷积层后面跟着一个最大池化层以减少特征图的空间维度。

  • 第一组：
    • Conv2D(32, (3, 3), padding=‘same’, activation=‘relu’)：应用 32 个 3x3 的滤波器进行卷积操作，保持输入图像大小不变（padding=‘same’），激活函数采用 ReLU。
    • 第二个 Conv2D 层同样设置，进一步提取特征。
    • MaxPool2D(pool_size=2)：对前一层输出应用 2x2 的最大池化，将空间尺寸减半。
  • 第二组：
    • 类似地，两个 Conv2D 层分别有 64 个滤波器，然后是一个 MaxPool2D 层。
  • 第三组：
    • 两个 Conv2D 层各有 128 个滤波器，之后是另一个 MaxPool2D 层。

随着网络深度增加，滤波器数量逐渐增多，以便在网络较深的地方捕捉到更为复杂的模式。

全连接层

在所有卷积和池化层之后，使用 Flatten() 将多维特征图展平成一维向量，准备送入全连接层。

  • Dense(256, activation=‘relu’)：第一个全连接层包含 256 个神经元，使用 ReLU 激活函数。
  • Dense(10, activation=‘softmax’)：最后一层是输出层，包含 10 个神经元（对应于 CIFAR-10 数据集中的 10 类别），使用 Softmax 激活函数来计算每个类别的概率分布。
# 定义卷积神经网络.
model = tf.keras.models.Sequential()
# 2次卷积, 一次池化, 总共3层. 
model.add(tf.keras.layers.Conv2D(filters=32, kernel_size=3, padding='same', activation='relu', input_shape=(32, 32, 3)))
model.add(tf.keras.layers.Conv2D(filters=32, kernel_size=3, padding='same', activation='relu'))
model.add(tf.keras.layers.MaxPool2D(pool_size=2))model.add(tf.keras.layers.Conv2D(filters=64, kernel_size=3, padding='same', activation='relu', ))
model.add(tf.keras.layers.Conv2D(filters=64, kernel_size=3, padding='same', activation='relu'))
model.add(tf.keras.layers.MaxPool2D(pool_size=2))model.add(tf.keras.layers.Conv2D(filters=128, kernel_size=3, padding='same', activation='relu', ))
model.add(tf.keras.layers.Conv2D(filters=128, kernel_size=3, padding='same', activation='relu'))
model.add(tf.keras.layers.MaxPool2D(pool_size=2))# 展平
model.add(tf.keras.layers.Flatten())
# 全连接
model.add(tf.keras.layers.Dense(256, activation='relu'))
model.add(tf.keras.layers.Dense(10, activation='softmax'))
# 配置网络
model.compile(loss='sparse_categorical_crossentropy',optimizer='sgd',metrics=['acc'])

model.summary()

Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d (Conv2D)              (None, 32, 32, 32)        896       
_________________________________________________________________
conv2d_1 (Conv2D)            (None, 32, 32, 32)        9248      
_________________________________________________________________
max_pooling2d (MaxPooling2D) (None, 16, 16, 32)        0         
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 16, 16, 64)        18496     
_________________________________________________________________
conv2d_3 (Conv2D)            (None, 16, 16, 64)        36928     
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 8, 8, 64)          0         
_________________________________________________________________
conv2d_4 (Conv2D)            (None, 8, 8, 128)         73856     
_________________________________________________________________
conv2d_5 (Conv2D)            (None, 8, 8, 128)         147584    
_________________________________________________________________
max_pooling2d_2 (MaxPooling2 (None, 4, 4, 128)         0         
_________________________________________________________________
flatten (Flatten)            (None, 2048)              0         
_________________________________________________________________
dense (Dense)                (None, 256)               524544    
_________________________________________________________________
dense_1 (Dense)              (None, 10)                2570      
=================================================================
Total params: 814,122
Trainable params: 814,122
Non-trainable params: 0
_________________________________________________________________

训练

history = model.fit(x_train_scaled, y_train, epochs=10,validation_data=(x_valid_scaled, y_valid))

Epoch 1/10
1407/1407 [==============================] - 23s 7ms/step - loss: 2.0446 - acc: 0.2523 - val_loss: 1.5073 - val_acc: 0.4620
Epoch 2/10
1407/1407 [==============================] - 8s 6ms/step - loss: 1.4460 - acc: 0.4779 - val_loss: 1.3928 - val_acc: 0.4978
Epoch 3/10
1407/1407 [==============================] - 9s 6ms/step - loss: 1.2067 - acc: 0.5725 - val_loss: 1.2788 - val_acc: 0.5326
Epoch 4/10
1407/1407 [==============================] - 9s 6ms/step - loss: 1.0413 - acc: 0.6353 - val_loss: 1.0222 - val_acc: 0.6352
Epoch 5/10
1407/1407 [==============================] - 9s 6ms/step - loss: 0.8863 - acc: 0.6892 - val_loss: 0.9801 - val_acc: 0.6566
Epoch 6/10
1407/1407 [==============================] - 9s 6ms/step - loss: 0.7900 - acc: 0.7238 - val_loss: 1.1513 - val_acc: 0.6224
Epoch 7/10
1407/1407 [==============================] - 9s 6ms/step - loss: 0.6945 - acc: 0.7588 - val_loss: 1.0648 - val_acc: 0.6648
Epoch 8/10
1407/1407 [==============================] - 9s 6ms/step - loss: 0.6145 - acc: 0.7862 - val_loss: 0.9035 - val_acc: 0.6846
Epoch 9/10
1407/1407 [==============================] - 9s 6ms/step - loss: 0.5239 - acc: 0.8180 - val_loss: 0.9660 - val_acc: 0.6902
Epoch 10/10
1407/1407 [==============================] - 8s 6ms/step - loss: 0.4609 - acc: 0.8407 - val_loss: 0.7780 - val_acc: 0.7456

history.history

{'loss': [1.8281360864639282,1.3848625421524048,1.1676044464111328,1.0064343214035034,0.8828362822532654,0.7799011468887329,0.696526050567627,0.6166756749153137,0.5386707782745361,0.47219154238700867],'acc': [0.33882221579551697,0.5040444731712341,0.5877777934074402,0.6477555632591248,0.6919999718666077,0.7274444699287415,0.7585333585739136,0.78493332862854,0.8118444681167603,0.8349999785423279],'val_loss': [1.5073190927505493,1.392819881439209,1.278789758682251,1.0222294330596924,0.9801304936408997,1.151273488998413,1.0647720098495483,0.9035186767578125,0.9659541845321655,0.7779567241668701],'val_acc': [0.4620000123977661,0.49779999256134033,0.5325999855995178,0.635200023651123,0.6565999984741211,0.6223999857902527,0.6647999882698059,0.6845999956130981,0.6901999711990356,0.7455999851226807]}

pd.DataFrame(history.history).plot(figsize=(8, 5))
plt.grid()
plt.gca().set_ylim(0, 2)
plt.show()

在这里插入图片描述

加入dropout减轻过拟合现象.

# 加入dropout减轻过拟合现象.
model = tf.keras.models.Sequential()
# 2次卷积, 一次池化, 总共3层. 
model.add(tf.keras.layers.Conv2D(filters=32, kernel_size=3, padding='same', activation='relu', input_shape=(32, 32, 3)))
model.add(tf.keras.layers.Conv2D(filters=32, kernel_size=3, padding='same', activation='relu'))
model.add(tf.keras.layers.MaxPool2D(pool_size=2))model.add(tf.keras.layers.Conv2D(filters=64, kernel_size=3, padding='same', activation='relu', ))
model.add(tf.keras.layers.Conv2D(filters=64, kernel_size=3, padding='same', activation='relu'))
model.add(tf.keras.layers.MaxPool2D(pool_size=2))model.add(tf.keras.layers.Conv2D(filters=128, kernel_size=3, padding='same', activation='relu', ))
model.add(tf.keras.layers.Conv2D(filters=128, kernel_size=3, padding='same', activation='relu'))
model.add(tf.keras.layers.MaxPool2D(pool_size=2))# 展平
model.add(tf.keras.layers.Flatten())
# 全连接
model.add(tf.keras.layers.Dense(256, activation='relu'))
model.add(tf.keras.layers.AlphaDropout(0.3))
model.add(tf.keras.layers.Dense(10, activation='softmax'))model.compile(loss='sparse_categorical_crossentropy',optimizer='adam',metrics=['acc'])
history = model.fit(x_train_scaled, y_train, epochs=10,validation_data=(x_valid_scaled, y_valid))

Epoch 1/10
1407/1407 [==============================] - 10s 7ms/step - loss: 2.0416 - acc: 0.2821 - val_loss: 1.4422 - val_acc: 0.5498
Epoch 2/10
1407/1407 [==============================] - 9s 7ms/step - loss: 1.1730 - acc: 0.5812 - val_loss: 1.1576 - val_acc: 0.6530
Epoch 3/10
1407/1407 [==============================] - 9s 7ms/step - loss: 0.9152 - acc: 0.6794 - val_loss: 0.8822 - val_acc: 0.7354
Epoch 4/10
1407/1407 [==============================] - 9s 6ms/step - loss: 0.7615 - acc: 0.7283 - val_loss: 0.7998 - val_acc: 0.7612
Epoch 5/10
1407/1407 [==============================] - 9s 6ms/step - loss: 0.6454 - acc: 0.7755 - val_loss: 0.8090 - val_acc: 0.7732
Epoch 6/10
1407/1407 [==============================] - 9s 7ms/step - loss: 0.5455 - acc: 0.8102 - val_loss: 0.8505 - val_acc: 0.7812
Epoch 7/10
1407/1407 [==============================] - 9s 7ms/step - loss: 0.4962 - acc: 0.8244 - val_loss: 0.8744 - val_acc: 0.7798
Epoch 8/10
1407/1407 [==============================] - 9s 7ms/step - loss: 0.4079 - acc: 0.8583 - val_loss: 0.9528 - val_acc: 0.7944
Epoch 9/10
1407/1407 [==============================] - 9s 7ms/step - loss: 0.3728 - acc: 0.8690 - val_loss: 0.9108 - val_acc: 0.7942
Epoch 10/10
1407/1407 [==============================] - 9s 7ms/step - loss: 0.3297 - acc: 0.8826 - val_loss: 1.0115 - val_acc: 0.7992

pd.DataFrame(history.history).plot(figsize=(8, 5))
plt.grid()
plt.gca().set_ylim(0, 2)
plt.show()

在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/891616.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

开发培训-慧集通（iPaaS）集成平台脚本开发Groovy基础培训视频

开发培训-慧集通（iPaaS）集成平台脚本开发Groovy基础培训视频

‌Groovy‌是一种基于Java虚拟机（JVM）的敏捷开发语言，结合了Python、Ruby和Smalltalk的许多强大特性。它旨在提高开发者的生产力，通过简洁、熟悉且易于学习的语法，Groovy能够与Java代码无缝集成，并提供强大…
阅读更多...
Flutter中添加全局防护水印的实现

Flutter中添加全局防护水印的实现

随着版权意识的加强，越来越多的应用开始在应用内部增加各种各样的水印信息，防止核心信息泄露，便于朔源。 效果如下： 在Flutter中增加全局水印的方式，目前有两种实现。 方案一，在native层添加一个遮罩层&a…
阅读更多...
华为ensp-BGP路由过滤

华为ensp-BGP路由过滤

学习新思想，争做新青年，今天学习的是BGP路由过滤 实验目的： 掌握利用BGP路由属性AS_Path进行路由过滤的方法 掌握利用BGP路由属性Community进行路由过滤的方法 掌握利用BGP路由属性Next_Hop进行路由过滤的方法 实验内容： 本实…
阅读更多...
鸿蒙应用开发搬砖经验之—使用DevTools工具调试前端页面

鸿蒙应用开发搬砖经验之—使用DevTools工具调试前端页面

环境说明： 系统环境：Mac mini M2 14.5 (23F79) 开发IDE：DevEco Studio 5.0.1 Release 配置步骤： 按着官方的指引来慢慢一步一步来，但前提是要配置好SDK的路径（没有配置的话，可能先看下面的配…
阅读更多...
Linux(centos)安装 MySQL 8 数据库(图文详细教程)

Linux(centos)安装 MySQL 8 数据库(图文详细教程)

前言 前几天写了个window系统下安装Mysql的博客，收到很多小伙伴私信需要Linux下安装Mysql的教程，今天这边和大家分享一下，话不多说，看教程。 一、删除以前安装的MySQL服务 一般安装程序第一步都需要清除之前的安装痕迹&#xff…
阅读更多...
【HarmonyOS应用开发——ArkTS语言】欢迎界面（启动加载页）的实现【合集】

【HarmonyOS应用开发——ArkTS语言】欢迎界面（启动加载页）的实现【合集】

目录 😋环境配置：华为HarmonyOS开发者 📺演示效果： 📖实验步骤及方法： 一、在media文件夹中添加想要使用的图片素材​ 二、在entry/src/main/ets/page目录下创建Welcome.ets文件 1. 整体结构与组件声…
阅读更多...
查看打开的端口

查看打开的端口

对一个大范围的网络或活跃的主机进行渗透测试，需要了解这些主机上所打开的端口号。 使用Nmap工具扫描主机上开放的端口号： 输出的信息显示了主机www.yiai.xyz上开放的所有端口 指定扫描端口范围 如果目标主机上打开的端口较多时，用户查看起…
阅读更多...
运动控制探针功能详细介绍（CODESYS+SV63N伺服）

运动控制探针功能详细介绍（CODESYS+SV63N伺服）

汇川AM400PLC和禾川X3E伺服EtherCAT通信 汇川AM400PLC和禾川X3E伺服EtherCAT通信_汇川ethercat通信-CSDN博客文章浏览阅读1.2k次。本文详细介绍了如何使用汇川AM400PLC通过EtherCAT总线与禾川X3E伺服进行通信。包括XML硬件描述文件的下载与安装，EtherCAT总线的启用，从站添加…
阅读更多...
大模型 LangChain 开发框架：Runable 与 LCEL 初探

大模型 LangChain 开发框架：Runable 与 LCEL 初探

大模型 LangChain 开发框架：Runable 与 LCEL 初探 一、引言 在大模型开发领域，LangChain 作为一款强大的开发框架，为开发者提供了丰富的工具和功能。其中，Runnable 接口和 LangChain 表达式语言（LCEL）是构…
阅读更多...
力扣28找出字符串中第一个匹配项的下标

力扣28找出字符串中第一个匹配项的下标

class Solution:def strStr(self, haystack: str, needle: str) -> int:# 特殊情况处理if not needle:return 0# 获取 haystack 和 needle 的长度a len(needle)b len(haystack)# 遍历 haystack，检查每个子字符串是否与 needle 匹配for i in range(b - a 1):if…
阅读更多...
基于微信小程序的自修室预约系统

基于微信小程序的自修室预约系统

目录 一、前言 二、技术介绍 三、系统实现 四、核心代码 五、源码获取 全栈码农以及毕业设计实战开发，CSDN平台Java领域新星创作者，专注于大学生项目实战开发、讲解和毕业答疑辅导。 一、前言 在知识爆炸的时代，自修室成为了众多学习者…
阅读更多...
计算机网络期末复习（含选择题、判断题、简答题、判断题）

计算机网络期末复习（含选择题、判断题、简答题、判断题）

📢📢📢传送门 一、选择题二、判断题三、简答题目1.问：常用的信道复用技术包括哪几种?简述它们的基本工作原理2.问：请分别列举OSI参考模型和TCP/IP参考模型的层次结构3.问：请描述交换机的基本功能。用它怎样…
阅读更多...
MySQL - 函数

MySQL - 函数

一 . 函数定义： 函数 是指一段可以直接被另一段程序调用的程序或代码。 ---> 说明这些函数已经被mysql内置了 MySQL中的函数主要分为以下四类： 字符串函数、数值函数、日期函数、流程函数。 二 . 字符串函数 MySQL中内置了很多字符串函数&#xff0c…
阅读更多...
UniApp 原生插件开发指南

UniApp 原生插件开发指南

一、UniApp 原生插件开发引言 在当今的移动应用开发领域，跨平台开发已成为主流趋势，而 UniApp 作为一款强大的跨平台开发框架，备受开发者青睐。它凭借 “一套代码，多端运行” 的特性，极大地提高了开发效率&#xff0c…
阅读更多...
Java高频面试之SE-08

Java高频面试之SE-08

hello啊，各位观众姥爷们！！！本牛马baby今天又来了！哈哈哈哈哈嗝🐶 成员变量和局部变量的区别有哪些？ 在 Java 中，成员变量和局部变量是两种不同类型的变量，它们在作用域…
阅读更多...
计算机网络 （15）宽带接入技术

计算机网络 （15）宽带接入技术

前言 计算机网络宽带接入技术是指通过高速、大容量的通信信道或网络，实现用户与互联网或其他通信网络之间的高速连接。 一、宽带接入技术的定义与特点 定义：宽带接入技术是指能够传输大量数据的通信信道或网络，其传输速度通常较高&#xff0c…
阅读更多...
2453.学习周刊-2024年53周

2453.学习周刊-2024年53周

封面 不要站在问题一边打败孩子，而是站在孩子一边打败问题，多从孩子的角度思考问题，帮助孩子一起解决问题 ✍优秀博文 SQL中历史数据处理实践指南新领导上任了，老员工该如何适应？主动接纳还是我行我素？ ✍…
阅读更多...
回归预测 | MATLAB实现CNN-SVM多输入单输出回归预测

回归预测 | MATLAB实现CNN-SVM多输入单输出回归预测

回归预测 | MATLAB实现CNN-SVM多输入单输出回归预测 目录 回归预测 | MATLAB实现CNN-SVM多输入单输出回归预测预测效果基本介绍模型架构程序设计参考资料 预测效果 基本介绍 CNN-SVM多输入单输出回归预测是一种结合卷积神经网络（CNN）和支持向量机&#…
阅读更多...
python学opencv|读取图像（二十四）使用cv2.putText()绘制文字进阶-倾斜文字

python学opencv|读取图像（二十四）使用cv2.putText()绘制文字进阶-倾斜文字

【1】引言 前述学习进程中，我们已经掌握了pythonopencv绘制文字的基本技能，相关链接为： python学opencv|读取图像（二十三）使用cv2.putText()绘制文字-CSDN博客 在这里，我们使用不同的字体、线条颜色和线…
阅读更多...
【Unity3D】UGUI Canvas画布渲染流程

【Unity3D】UGUI Canvas画布渲染流程

参考文档：画布 - Unity 手册 Canvas组件：画布组件是进行 UI 布局和渲染的抽象空间。所有 UI 元素都必须是附加了画布组件的游戏对象的子对象。 参数： Render Mode 渲染模式：Screen Space - Overlay、Screen Spa…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023