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

公開型別
enum	ActivationFunctions {   IDENTITY = 0 ,   SIGMOID_SYM = 1 ,   GAUSSIAN = 2 ,   RELU = 3 ,   LEAKYRELU = 4 }
enum	TrainFlags {   UPDATE_WEIGHTS = 1 ,   NO_INPUT_SCALE = 2 ,   NO_OUTPUT_SCALE = 4 }
enum	TrainingMethods {   BACKPROP =0 ,   RPROP = 1 ,   ANNEAL = 2 }
從 cv::ml::StatModel 繼承的公共型別
enum	標誌 {   UPDATE_MODEL = 1 ,   RAW_OUTPUT =1 ,   COMPRESSED_INPUT =2 ,   PREPROCESSED_INPUT =4 }

公開成員函式
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
	計算訓練集或測試集上的誤差。
virtual bool	empty () const CV_OVERRIDE
	如果 Algorithm 為空（例如，在最開始或讀取不成功後），則返回 true。
virtual int	getVarCount () const =0
	返回訓練樣本中的變數數量。
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
	預測所提供樣本的響應
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
	將演算法引數儲存在檔案儲存中。
void	write (FileStorage &fs, const String &name) const

靜態公開成員函式
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)
	建立並訓練具有預設引數的模型。
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())
	從字串中載入演算法。
template<typename _Tp >
static Ptr< _Tp >	read (const FileNode &fn)
	從檔案節點中讀取演算法。

更多繼承的成員
從 cv::Algorithm 繼承的保護成員函式
void	writeFormat (FileStorage &fs) const

詳細說明

人工神經網路 - 多層感知器。

與 ML 中許多一次性構造和訓練的模型不同，MLP 模型中這些步驟是分開的。首先，使用非預設建構函式或方法 ANN_MLP::create 來建立具有指定拓撲的網路。所有權重都被設定為零。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。

另請參閱

神經網路

成員列舉文件

ActivationFunctions

enum cv::ml::ANN_MLP::ActivationFunctions

可能的啟用函式

列舉值 (Enumerator)
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 如果您使用的是預設 Sigmoid 啟用函式，引數值為 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: 對於 x>0 \(f(x)=x \) 且 x<=0 \(f(x)=\alpha x \)

TrainFlags

enum cv::ml::ANN_MLP::TrainFlags

訓練選項

列舉值 (Enumerator)
UPDATE_WEIGHTS	更新網路權重，而不是從頭計算。在後一種情況下，權重使用 Nguyen-Widrow 演算法進行初始化。
NO_INPUT_SCALE	不歸一化輸入向量。如果未設定此標誌，訓練演算法將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。如果假定網路會頻繁更新，則新訓練資料可能與原始資料大不相同。在這種情況下，您應注意進行適當的歸一化。
NO_OUTPUT_SCALE	不歸一化輸出向量。如果未設定標誌，訓練演算法將獨立歸一化每個輸出特徵，方法是根據所使用的啟用函式將其轉換為特定範圍。

TrainingMethods

enum cv::ml::ANN_MLP::TrainingMethods

可用的訓練方法

列舉值 (Enumerator)
BACKPROP	反向傳播演算法。
RPROP	RPROP 演算法。詳情請參閱 [232]。
ANNEAL	模擬退火演算法。詳情請參閱 [152]。

成員函式說明

create()

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

static (靜態)

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：更新冷卻率。它必須大於 0 且小於 1。預設值為 0.95。

另請參閱

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 且小於初始溫度。預設值為 0.1。

另請參閱

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。

另請參閱

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。

另請參閱

setAnnealItePerStep

getBackpropMomentumScale()

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

純虛擬函式

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

BPROP：動量項的強度（前兩次迭代之間權重的差值）。此引數為權重提供一定的慣性以平滑隨機波動。它可以從 0（停用該功能）到 1 或更高。值為 0.1 左右即可。預設值為 0.1。

另請參閱

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。建議值為 0.1 左右。預設值為 0.1。

另請參閱

setBackpropWeightScale

getLayerSizes()

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

純虛擬函式

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

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

另請參閱

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

另請參閱

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。

另請參閱

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 \(\Delta_{min}\)。它必須為正值。預設值為 FLT_EPSILON。

另請參閱

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。

另請參閱

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。

另請參閱

setRpropDWPlus

getTermCriteria()

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

純虛擬函式

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

訓練演算法的終止條件。您可以指定最大迭代次數 (maxCount) 和/或在迭代之間為了使演算法繼續進行而必須改變的誤差量 (epsilon)。預設值為 TermCriteria(TermCriteria::MAX_ITER + TermCriteria::EPS, 1000, 0.01)。

另請參閱

setTermCriteria

getTrainMethod()

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

純虛擬函式

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

返回當前的訓練方法

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 (靜態)

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

從檔案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。透過呼叫此函式並提供檔案路徑，可以再次從該檔案中載入 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]]	) ->	None

初始化每個神經元的啟用函式。目前，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。請參閱 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	) ->	None

另請參閱

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	) ->	None

另請參閱

getAnnealFinalT

setAnnealInitialT()

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

純虛擬函式

Python
	cv.ml.ANN_MLP.setAnnealInitialT(	val	) ->	None

另請參閱

getAnnealInitialT

setAnnealItePerStep()

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

純虛擬函式

Python
	cv.ml.ANN_MLP.setAnnealItePerStep(	val	) ->	None

另請參閱

getAnnealItePerStep

setBackpropMomentumScale()

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

純虛擬函式

Python
	cv.ml.ANN_MLP.setBackpropMomentumScale(	val	) ->	None

另請參閱

getBackpropMomentumScale

setBackpropWeightScale()

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

純虛擬函式

Python
	cv.ml.ANN_MLP.setBackpropWeightScale(	val	) ->	None

另請參閱

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	) ->	None

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

另請參閱

getLayerSizes

setRpropDW0()

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

純虛擬函式

Python
	cv.ml.ANN_MLP.setRpropDW0(	val	) ->	None

另請參閱

getRpropDW0

setRpropDWMax()

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

純虛擬函式

Python
	cv.ml.ANN_MLP.setRpropDWMax(	val	) ->	None

另請參閱

getRpropDWMax

setRpropDWMin()

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

純虛擬函式

Python
	cv.ml.ANN_MLP.setRpropDWMin(	val	) ->	None

另請參閱

getRpropDWMin

setRpropDWMinus()

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

純虛擬函式

Python
	cv.ml.ANN_MLP.setRpropDWMinus(	val	) ->	None

另請參閱

getRpropDWMinus

setRpropDWPlus()

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

純虛擬函式

Python
	cv.ml.ANN_MLP.setRpropDWPlus(	val	) ->	None

另請參閱

getRpropDWPlus

setTermCriteria()

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

純虛擬函式

Python
	cv.ml.ANN_MLP.setTermCriteria(	val	) ->	None

另請參閱

getTermCriteria

setTrainMethod()

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

純虛擬函式

Python
	cv.ml.ANN_MLP.setTrainMethod(	method[, param1[, param2]]	) ->	None

設定訓練方法和通用引數。

引數

method	預設值為 ANN_MLP::RPROP。請參閱 ANN_MLP::TrainingMethods。
param1	傳遞給 ANN_MLP::RPROP 的 setRpropDW0，傳遞給 ANN_MLP::BACKPROP 的 setBackpropWeightScale，以及傳遞給 ANN_MLP::ANNEAL 的 initialT。
param2	傳遞給 ANN_MLP::RPROP 的 setRpropDWMin，傳遞給 ANN_MLP::BACKPROP 的 setBackpropMomentumScale，以及傳遞給 ANN_MLP::ANNEAL 的 finalT。

---

該類的文件由以下檔案生成：

• opencv2/ml.hpp