cv::ml::ANN_MLP 類參考

人工神經網路 - 多層感知器。更多...

#include <opencv2/ml.hpp>

cv::ml::ANN_MLP 的協作圖

公共型別
列舉	啟用函式 {   IDENTITY = 0 ,   SIGMOID_SYM = 1 ,   GAUSSIAN = 2 ,   RELU = 3 ,   LEAKYRELU = 4 }
列舉	訓練標誌 {   UPDATE_WEIGHTS = 1 ,   NO_INPUT_SCALE = 2 ,   NO_OUTPUT_SCALE = 4 }
列舉	訓練方法 {   BACKPROP =0 ,   RPROP = 1 ,   ANNEAL = 2 }
從 cv::ml::StatModel 繼承的公共型別
列舉	標誌 {   UPDATE_MODEL = 1 ,   RAW_OUTPUT =1 ,   COMPRESSED_INPUT =2 ,   PREPROCESSED_INPUT =4 }

公共成員函式
virtual double	getAnnealCoolingRatio () const =0
virtual double	getAnnealFinalT () const =0
virtual double	getAnnealInitialT () const =0
virtual int	getAnnealItePerStep () const =0
virtual double	getBackpropMomentumScale () const =0
virtual double	getBackpropWeightScale () const =0
virtual cv::Mat	getLayerSizes () const =0
virtual double	getRpropDW0 () const =0
virtual double	getRpropDWMax () const =0
virtual double	getRpropDWMin () const =0
virtual double	getRpropDWMinus () const =0
virtual double	getRpropDWPlus () const =0
virtual TermCriteria	getTermCriteria () const =0
virtual int	getTrainMethod () const =0
virtual Mat	getWeights (int layerIdx) const =0
virtual void	setActivationFunction (int type, double param1=0, double param2=0)=0
virtual void	setAnnealCoolingRatio (double val)=0
virtual void	setAnnealEnergyRNG (const RNG &rng)=0
	設定/初始化退火 RNG。
virtual void	setAnnealFinalT (double val)=0
virtual void	setAnnealInitialT (double val)=0
virtual void	setAnnealItePerStep (int val)=0
virtual void	setBackpropMomentumScale (double val)=0
virtual void	setBackpropWeightScale (double val)=0
virtual void	setLayerSizes (InputArray _layer_sizes)=0
virtual void	setRpropDW0 (double val)=0
virtual void	setRpropDWMax (double val)=0
virtual void	setRpropDWMin (double val)=0
virtual void	setRpropDWMinus (double val)=0
virtual void	setRpropDWPlus (double val)=0
virtual void	setTermCriteria (TermCriteria val)=0
virtual void	setTrainMethod (int method, double param1=0, double param2=0)=0
從 cv::ml::StatModel 繼承的公共成員函式
virtual float	calcError (const Ptr< TrainData > &data, bool test, OutputArray resp) const
	計算訓練或測試資料集上的誤差。
virtual bool	empty () const CV_OVERRIDE
	如果 Algorithm 為空（例如，在最開始或讀取失敗後），則返回 true。
virtual int	getVarCount () const =0
	返回訓練樣本中變數的數量。
virtual bool	isClassifier () const =0
	如果模型是分類器，則返回 true。
virtual bool	isTrained () const =0
	如果模型已訓練，則返回 true。
virtual float	predict (InputArray samples, OutputArray results=noArray(), int flags=0) const =0
	預測提供的樣本的響應
virtual bool	train (const Ptr< TrainData > &trainData, int flags=0)
	訓練統計模型。
virtual bool	train (InputArray samples, int layout, InputArray responses)
	訓練統計模型。
從 cv::Algorithm 繼承的公共成員函式
	Algorithm ()
virtual	~Algorithm ()
virtual void	clear ()
	清除演算法狀態。
virtual String	getDefaultName () const
virtual void	read (const FileNode &fn)
	從檔案儲存中讀取演算法引數。
virtual void	save (const String &filename) const
void	write (const Ptr< FileStorage > &fs, const String &name=String()) const
virtual void	write (FileStorage &fs) const
	將演算法引數儲存到檔案儲存中。
void	write (FileStorage &fs, const String &name) const

靜態公共成員函式
static Ptr< ANN_MLP >	create ()
	建立空模型。
static Ptr< ANN_MLP >	load (const String &filepath)
	從檔案中載入並建立一個序列化的 ANN。
從 cv::ml::StatModel 繼承的靜態公共成員函式
template<typename _Tp >
static Ptr< _Tp >	train (const Ptr< TrainData > &data, int flags=0)
	使用預設引數建立並訓練模型。
從 cv::Algorithm 繼承的靜態公共成員函式
template<typename _Tp >
static Ptr< _Tp >	load (const String &filename, const String &objname=String())
	從檔案中載入演算法。
template<typename _Tp >
static Ptr< _Tp >	loadFromString (const String &strModel, const String &objname=String())
	從字串載入演算法。
template<typename _Tp >
static Ptr< _Tp >	read (const FileNode &fn)
	從檔案節點讀取演算法。

附加繼承成員
從 cv::Algorithm 繼承的受保護成員函式
void	writeFormat (FileStorage &fs) const

詳細描述

人工神經網路 - 多層感知器。

與許多其他一次性構建和訓練的 ML 模型不同，MLP 模型中的這些步驟是分離的。首先，使用非預設建構函式或 ANN_MLP::create 方法建立一個具有指定拓撲的網路。所有權重都設定為零。然後，使用一組輸入和輸出向量訓練網路。訓練過程可以重複多次，即可以根據新的訓練資料調整權重。

StatModel::train 的附加標誌可用：ANN_MLP::TrainFlags。

另請參見

神經網路

成員列舉文件

ActivationFunctions

列舉 cv::ml::ANN_MLP::ActivationFunctions

可能的啟用函式

列舉器
IDENTITY	恆等函式：\(f(x)=x\)
SIGMOID_SYM	對稱 Sigmoid 函式：\(f(x)=\beta*(1-e^{-\alpha x})/(1+e^{-\alpha x})\) 注意 如果使用預設的 Sigmoid 啟用函式，且預設引數值 fparam1=0 和 fparam2=0，則使用的函式是 y = 1.7159*tanh(2/3 * x)，因此輸出範圍將是 [-1.7159, 1.7159]，而不是 [0,1]。
GAUSSIAN	高斯函式：\(f(x)=\beta e^{-\alpha x*x}\)
RELU	ReLU 函式：\(f(x)=max(0,x)\)
LEAKYRELU	Leaky ReLU 函式：當 x>0 時 \(f(x)=x \)，當 x<=0 時 \(f(x)=\alpha x \)

TrainFlags

列舉 cv::ml::ANN_MLP::TrainFlags

訓練選項

列舉器
UPDATE_WEIGHTS	更新網路權重，而不是從頭開始計算。在後一種情況下，權重使用 Nguyen-Widrow 演算法初始化。
NO_INPUT_SCALE	不歸一化輸入向量。如果未設定此標誌，訓練演算法會獨立歸一化每個輸入特徵，將其均值移至 0 並使標準差等於 1。如果網路假定會頻繁更新，則新的訓練資料可能與原始資料大不相同。在這種情況下，應注意適當的歸一化。
NO_OUTPUT_SCALE	不歸一化輸出向量。如果未設定此標誌，訓練演算法會獨立歸一化每個輸出特徵，透過將其轉換為取決於所用啟用函式的特定範圍。

TrainingMethods

列舉 cv::ml::ANN_MLP::TrainingMethods

可用訓練方法

列舉器
BACKPROP	反向傳播演算法。
RPROP	RPROP 演算法。詳見 [229]。
ANNEAL	模擬退火演算法。詳見 [149]。

成員函式文件

create()

static Ptr< ANN_MLP > cv::ml::ANN_MLP::create ( )

static

Python
	cv.ml.ANN_MLP.create(		) ->	retval
	cv.ml.ANN_MLP_create(		) ->	retval

建立空模型。

使用 StatModel::train 訓練模型，使用 Algorithm::load<ANN_MLP>(filename) 載入預訓練模型。請注意，訓練方法具有可選標誌：ANN_MLP::TrainFlags。

getAnnealCoolingRatio()

virtual double cv::ml::ANN_MLP::getAnnealCoolingRatio ( ) const

純虛擬函式

Python
	cv.ml.ANN_MLP.getAnnealCoolingRatio(		) ->	retval

ANNEAL：更新冷卻比。它必須大於 0 且小於 1。預設值為 0.95。

另請參見

setAnnealCoolingRatio

getAnnealFinalT()

virtual double cv::ml::ANN_MLP::getAnnealFinalT ( ) const

純虛擬函式

Python
	cv.ml.ANN_MLP.getAnnealFinalT(		) ->	retval

ANNEAL：更新最終溫度。它必須大於等於 0 且小於 initialT。預設值為 0.1。

另請參見

setAnnealFinalT

getAnnealInitialT()

virtual double cv::ml::ANN_MLP::getAnnealInitialT ( ) const

純虛擬函式

Python
	cv.ml.ANN_MLP.getAnnealInitialT(		) ->	retval

ANNEAL：更新初始溫度。它必須大於等於 0。預設值為 10。

另請參見

setAnnealInitialT

getAnnealItePerStep()

virtual int cv::ml::ANN_MLP::getAnnealItePerStep ( ) const

純虛擬函式

Python
	cv.ml.ANN_MLP.getAnnealItePerStep(		) ->	retval

ANNEAL：更新每步迭代次數。它必須大於 0。預設值為 10。

另請參見

setAnnealItePerStep

getBackpropMomentumScale()

virtual double cv::ml::ANN_MLP::getBackpropMomentumScale ( ) const

純虛擬函式

Python
	cv.ml.ANN_MLP.getBackpropMomentumScale(		) ->	retval

BPROP：動量項（前兩次迭代中權重之間的差值）的強度。此引數提供了一些慣性，以平滑權重的隨機波動。它可以從 0（停用該功能）到 1 甚至更大。0.1 左右的值就足夠了。預設值為 0.1。

另請參見

setBackpropMomentumScale

getBackpropWeightScale()

virtual double cv::ml::ANN_MLP::getBackpropWeightScale ( ) const

純虛擬函式

Python
	cv.ml.ANN_MLP.getBackpropWeightScale(		) ->	retval

BPROP：權重梯度項的強度。推薦值約為 0.1。預設值為 0.1。

另請參見

setBackpropWeightScale

getLayerSizes()

virtual cv::Mat cv::ml::ANN_MLP::getLayerSizes ( ) const

純虛擬函式

Python
	cv.ml.ANN_MLP.getLayerSizes(		) ->	retval

指定每個層（包括輸入層和輸出層）中神經元數量的整數向量。第一個元素指定輸入層中的元素數量。最後一個元素指定輸出層中的元素數量。

另請參見

setLayerSizes

getRpropDW0()

virtual double cv::ml::ANN_MLP::getRpropDW0 ( ) const

純虛擬函式

Python
	cv.ml.ANN_MLP.getRpropDW0(		) ->	retval

RPROP：更新值 \(\Delta_{ij}\) 的初始值 \(\Delta_0\)。預設值為 0.1。

另請參見

setRpropDW0

getRpropDWMax()

virtual double cv::ml::ANN_MLP::getRpropDWMax ( ) const

純虛擬函式

Python
	cv.ml.ANN_MLP.getRpropDWMax(		) ->	retval

RPROP：更新值上限 \(\Delta_{max}\)。它必須大於 1。預設值為 50。

另請參見

setRpropDWMax

getRpropDWMin()

virtual double cv::ml::ANN_MLP::getRpropDWMin ( ) const

純虛擬函式

Python
	cv.ml.ANN_MLP.getRpropDWMin(		) ->	retval

RPROP：更新值下限 \(\Delta_{min}\)。它必須是正數。預設值為 FLT_EPSILON。

另請參見

setRpropDWMin

getRpropDWMinus()

virtual double cv::ml::ANN_MLP::getRpropDWMinus ( ) const

純虛擬函式

Python
	cv.ml.ANN_MLP.getRpropDWMinus(		) ->	retval

RPROP：減小因子 \(\eta^-\)。它必須小於 1。預設值為 0.5。

另請參見

setRpropDWMinus

getRpropDWPlus()

virtual double cv::ml::ANN_MLP::getRpropDWPlus ( ) const

純虛擬函式

Python
	cv.ml.ANN_MLP.getRpropDWPlus(		) ->	retval

RPROP：增大因子 \(\eta^+\)。它必須大於 1。預設值為 1.2。

另請參見

setRpropDWPlus

getTermCriteria()

virtual TermCriteria cv::ml::ANN_MLP::getTermCriteria ( ) const

純虛擬函式

Python
	cv.ml.ANN_MLP.getTermCriteria(		) ->	retval

訓練演算法的終止準則。可以指定最大迭代次數 (maxCount) 和/或迭代之間誤差可以改變的程度，以使演算法繼續 (epsilon)。預設值是 TermCriteria(TermCriteria::MAX_ITER + TermCriteria::EPS, 1000, 0.01)。

另請參見

setTermCriteria

getTrainMethod()

virtual int cv::ml::ANN_MLP::getTrainMethod ( ) const

純虛擬函式

Python
	cv.ml.ANN_MLP.getTrainMethod(		) ->	retval

返回當前訓練方法

getWeights()

virtual Mat cv::ml::ANN_MLP::getWeights ( int layerIdx ) const

純虛擬函式

Python
	cv.ml.ANN_MLP.getWeights(	layerIdx	) ->	retval

load()

static Ptr< ANN_MLP > cv::ml::ANN_MLP::load ( const String & filepath )

static

Python
	cv.ml.ANN_MLP.load(	filepath	) ->	retval
	cv.ml.ANN_MLP_load(	filepath	) ->	retval

從檔案中載入並建立一個序列化的 ANN。

使用 ANN::save 將 ANN 序列化並存儲到磁碟。透過呼叫此函式並傳入檔案路徑，可以再次從該檔案載入 ANN。

引數

filepath

序列化 ANN 的路徑

setActivationFunction()

virtual void cv::ml::ANN_MLP::setActivationFunction ( int type, double param1 = 0, double param2 = 0 )

純虛擬函式

Python
	cv.ml.ANN_MLP.setActivationFunction(	type[, param1[, param2]]	) ->	無

為每個神經元初始化啟用函式。當前預設且唯一完全支援的啟用函式是 ANN_MLP::SIGMOID_SYM。

引數

type	啟用函式的型別。參見 ANN_MLP::ActivationFunctions。
param1	啟用函式的第一個引數 \(\alpha\)。預設值為 0。
param2	啟用函式的第二個引數 \(\beta\)。預設值為 0。

setAnnealCoolingRatio()

virtual void cv::ml::ANN_MLP::setAnnealCoolingRatio ( double val )

純虛擬函式

Python
	cv.ml.ANN_MLP.setAnnealCoolingRatio(	val	) ->	無

另請參見

getAnnealCoolingRatio

setAnnealEnergyRNG()

virtual void cv::ml::ANN_MLP::setAnnealEnergyRNG ( const RNG & rng )

純虛擬函式

設定/初始化退火 RNG。

setAnnealFinalT()

virtual void cv::ml::ANN_MLP::setAnnealFinalT ( double val )

純虛擬函式

Python
	cv.ml.ANN_MLP.setAnnealFinalT(	val	) ->	無

另請參見

getAnnealFinalT

setAnnealInitialT()

virtual void cv::ml::ANN_MLP::setAnnealInitialT ( double val )

純虛擬函式

Python
	cv.ml.ANN_MLP.setAnnealInitialT(	val	) ->	無

另請參見

getAnnealInitialT

setAnnealItePerStep()

virtual void cv::ml::ANN_MLP::setAnnealItePerStep ( int val )

純虛擬函式

Python
	cv.ml.ANN_MLP.setAnnealItePerStep(	val	) ->	無

另請參見

getAnnealItePerStep

setBackpropMomentumScale()

virtual void cv::ml::ANN_MLP::setBackpropMomentumScale ( double val )

純虛擬函式

Python
	cv.ml.ANN_MLP.setBackpropMomentumScale(	val	) ->	無

另請參見

getBackpropMomentumScale

setBackpropWeightScale()

virtual void cv::ml::ANN_MLP::setBackpropWeightScale ( double val )

純虛擬函式

Python
	cv.ml.ANN_MLP.setBackpropWeightScale(	val	) ->	無

另請參見

getBackpropWeightScale

setLayerSizes()

virtual void cv::ml::ANN_MLP::setLayerSizes ( InputArray _layer_sizes )

純虛擬函式

Python
	cv.ml.ANN_MLP.setLayerSizes(	_layer_sizes	) ->	無

指定每個層（包括輸入層和輸出層）中神經元數量的整數向量。第一個元素指定輸入層中的元素數量。最後一個元素指定輸出層中的元素數量。預設值為空 Mat。

另請參見

getLayerSizes

setRpropDW0()

virtual void cv::ml::ANN_MLP::setRpropDW0 ( double val )

純虛擬函式

Python
	cv.ml.ANN_MLP.setRpropDW0(	val	) ->	無

另請參見

getRpropDW0

setRpropDWMax()

virtual void cv::ml::ANN_MLP::setRpropDWMax ( double val )

純虛擬函式

Python
	cv.ml.ANN_MLP.setRpropDWMax(	val	) ->	無

另請參見

getRpropDWMax

setRpropDWMin()

virtual void cv::ml::ANN_MLP::setRpropDWMin ( double val )

純虛擬函式

Python
	cv.ml.ANN_MLP.setRpropDWMin(	val	) ->	無

另請參見

getRpropDWMin

setRpropDWMinus()

virtual void cv::ml::ANN_MLP::setRpropDWMinus ( double val )

純虛擬函式

Python
	cv.ml.ANN_MLP.setRpropDWMinus(	val	) ->	無

另請參見

getRpropDWMinus

setRpropDWPlus()

virtual void cv::ml::ANN_MLP::setRpropDWPlus ( double val )

純虛擬函式

Python
	cv.ml.ANN_MLP.setRpropDWPlus(	val	) ->	無

另請參見

getRpropDWPlus

setTermCriteria()

virtual void cv::ml::ANN_MLP::setTermCriteria ( TermCriteria val )

純虛擬函式

Python
	cv.ml.ANN_MLP.setTermCriteria(	val	) ->	無

另請參見

getTermCriteria

setTrainMethod()

virtual void cv::ml::ANN_MLP::setTrainMethod ( int 方法, double param1 = 0, double param2 = 0 )

純虛擬函式

Python
	cv.ml.ANN_MLP.setTrainMethod(	method[, param1[, param2]]	) ->	無

設定訓練方法和通用引數。

引數

方法	預設值為 ANN_MLP::RPROP。參見 ANN_MLP::TrainingMethods。
param1	對於 ANN_MLP::RPROP 傳遞給 setRpropDW0，對於 ANN_MLP::BACKPROP 傳遞給 setBackpropWeightScale，對於 ANN_MLP::ANNEAL 傳遞給 initialT。
param2	對於 ANN_MLP::RPROP 傳遞給 setRpropDWMin，對於 ANN_MLP::BACKPROP 傳遞給 setBackpropMomentumScale，對於 ANN_MLP::ANNEAL 傳遞給 finalT。

---

此類的文件由以下檔案生成

• opencv2/ml.hpp