cv::ml::ANN_MLP类参考

人工神经网络 - 多层感知器。更多信息...

#include <opencv2/ml.hpp>

cv::ml::ANN_MLP协作图

公共类型
enum	激活函数 {   IDENTITY = 0 ,   SIGMOID_SYM = 1 ,   GAUSSIAN = 2 ,   RELU = 3 ,   LEAKYRELU = 4 }
enum	训练标志 {   UPDATE_WEIGHTS = 1 ,   NO_INPUT_SCALE = 2 ,   NO_OUTPUT_SCALE = 4 }
enum	训练方法 {   BACKPROP =0 ,   RPROP = 1 ,   ANNEAL = 2 }
从cv::ml::StatModel继承的公共类型
enum	标志 {   UPDATE_MODEL = 1 ,   RAW_OUTPUT =1 ,   COMPRESSED_INPUT =2 ,   PREPROCESSED_INPUT =4 }

公共成员函数
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
	设置/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
从cv::ml::StatModel继承的公共成员函数
virtual float	calcError (const Ptr< TrainData > &data, bool test, OutputArray resp) const
	计算训练或测试数据集上的误差。
virtual bool	empty () const CV_OVERRIDE
	如果算法为空（例如在最开始或者在读取失败之后）返回true。
virtual int	getVarCount () const =0
	返回训练样本中变量的数量。
virtual bool	isClassifier () const =0
	如果模型是分类器返回true。
virtual bool	isTrained () const =0
	如果模型已训练返回true。
virtual float	predict (InputArray samples, OutputArray results=noArray(), int flags=0) const =0
	对于提供的样例(s)预测响应。
virtual bool	train (const Ptr< TrainData > &trainData, int flags=0)
	训练统计模型。
virtual bool	train (InputArray samples, int layout, InputArray responses)
	训练统计模型。
从cv::Algorithm继承的公共成员函数
	Algorithm ()
virtual	~Algorithm ()
virtual void	clear ()
	清除算法状态。
virtual String	getDefaultName () const
virtual void	read (const FileNode &fn)
	从文件存储中读取算法参数。
virtual void	save (const String &filename) const
void	write (const Ptr< FileStorage > &fs, const String &name=String()) const
virtual void	write (FileStorage &fs) const
	将算法参数存储到文件存储中。
void	write (FileStorage &fs, const String &name) const

静态公有成员函数
static Ptr<ANN_MLP>	create ()
	创建空模型。
static Ptr<ANN_MLP>	load (const String &filepath)
	从文件加载并创建一个序列化的ANN。
从 cv::ml::StatModel 继承的静态公有成员函数
template<typename _Tp>
static Ptr<_Tp>	train (const Ptr<TrainData> &data, int flags=0)
	使用默认参数创建和训练模型。
从 cv::Algorithm 继承的静态公有成员函数
template<typename _Tp>
static Ptr<_Tp>	load (const String &filename, const String &objname=String())
	从文件加载算法。
template<typename _Tp>
static Ptr<_Tp>	loadFromString (const String &strModel, const String &objname=String())
	从字符串加载算法。
template<typename _Tp>
static Ptr<_Tp>	read (const FileNode &fn)
	从文件节点读取算法。

其他继承成员
从 cv::Algorithm 继承的受保护成员函数
void	writeFormat (FileStorage &fs) const

详细描述

人工神经网络 - 多层感知器。

与其他许多在机器学习中一次性构建和训练的模型不同，在MLP模型中，这些步骤是分开的。首先，使用非默认构造函数或 ANN_MLP::create 方法创建具有指定拓扑的网络。所有权重都设置为零。然后，使用一组输入和输出向量来训练网络。训练过程可以重复多次，即根据新的训练数据调整权重。

对于 StatModel::train 的附加标志：ANN_MLP::TrainFlags。

另请参阅

神经网络

成员枚举文档

ActivationFunctions

enum cv::ml::ANN_MLP::ActivationFunctions

可能的激活函数

枚举
IDENTITY	恒等函数：\(f(x)=x\)
SIGMOID_SYM	对称Sigmoid: \(f(x)=\beta*(1-e^{-\alpha x})/(1+e^{-\alpha x})\) 注意 如果您使用默认的Sigmoid激活函数和默认参数值 fparam1=0 和 fparam2=0，则使用的函数是 y = 1.7159*tanh(2/3 * x)，输出范围将从 [-1.7159, 1.7159] 而不是 [0, 1]。
GAUSSIAN	高斯函数: \(f(x)=\beta e^{-\alpha x*x}\)
RELU	ReLU函数: \(f(x)=max(0,x)\)
LEAKYRELU	Leaky ReLU函数: 对 x>0 \(f(x)=x \)，对 x<=0 \(f(x)=\alpha x \)

TrainFlags

枚举 cv::ml::ANN_MLP::TrainFlags

训练选项

枚举
UPDATE_WEIGHTS	更新网络权重，而不是从头开始计算。在后一种情况下，权重是使用 Nguyen-Widrow 算法初始化的。
NO_INPUT_SCALE	不要规范化输入向量。如果未设置此标志，则训练算法将独立规范化每个输入特征，将其均值移到 0 并使标准差等于 1。如果假设网络会被频繁更新，新的训练数据可能与原始数据大不相同。在这种情况下，您应该注意适当的规范化。
NO_OUTPUT_SCALE	不要规范化输出向量。如果未设置此标志，则训练算法将独立规范化每个输出特征，将其转换为由所使用的激活函数确定的特定范围。

TrainingMethods

枚举 cv::ml::ANN_MLP::TrainingMethods

可用的训练方法

枚举
BACKPROP	反向传播算法。
RPROP	RPROP算法。有关详细信息，请参阅[225]。
ANNEAL	模拟退火算法。有关详细信息，请参阅[147]。

成员函数文档

create()

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

静态

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

创建空模型。

使用StatModel::train来训练模型，使用Algorithm::load<ANN_MLP>(filename)来加载预训练模型。请注意，train 方法具有可选标志：ANN_MLP::TrainFlags。

getAnnealCoolingRatio()

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

纯虚函数

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

ANNEAL: 更新冷却比。它必须大于0且小于1。默认值为0.95。

另请参阅

setAnnealCoolingRatio

getAnnealFinalT()

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

纯虚函数

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

ANNEAL: 更新最终温度。它必须大于等于0且小于初始温度。默认值为0.1。

另请参阅

setAnnealFinalT

getAnnealInitialT()

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

纯虚函数

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

ANNEAL: 更新初始温度。它必须大于等于0。默认值为10。

另请参阅

setAnnealInitialT

getAnnealItePerStep()

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

纯虚函数

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

ANNEAL: 更新每步迭代次数。它必须大于0。默认值为10。

另请参阅

setAnnealItePerStep

getBackpropMomentumScale()

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

纯虚函数

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

BPROP: 动量项的强度（前两次迭代的权重差）。此参数为权重的随机波动提供一些惯性。它的值可以从0（禁用特征）变化到1以上。值大约为0.1就足够了。默认值为0.1。

另请参阅

setBackpropMomentumScale

getBackpropWeightScale()

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

纯虚函数

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

BPROP: 权重梯度项的强度。建议的值大约为0.1。默认值为0.1。

另请参阅

setBackpropWeightScale

getLayerSizes()

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

纯虚函数

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

整数向量，指定每层的神经元数量，包括输入层和输出层。第一个元素指定输入层的元素数量。最后一个元素表示输出层的元素数量。

另请参阅

setLayerSizes

getRpropDW0()

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

纯虚函数

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

RPROP: 更新值 \(\Delta_0\) 的初始值。默认值为0.1。

另请参阅

setRpropDW0

getRpropDWMax()

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

纯虚函数

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

RPROP: 更新值的上限 \(\Delta_{max}\)。它必须大于1。默认值为50。

另请参阅

setRpropDWMax

getRpropDWMin()

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

纯虚函数

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

RPROP: 更新值下限 \(\Delta_{min}\)。它必须是正数。默认值是 FLT_EPSILON。

另请参阅

setRpropDWMin

getRpropDWMinus()

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

纯虚函数

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

RPROP: 减少因子 \(\eta^-\)。它必须小于1。默认值是0.5。

另请参阅

setRpropDWMinus

getRpropDWPlus()

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

纯虚函数

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

RPROP: 增加因子 \(\eta^+\)。它必须大于1。默认值是1.2。

另请参阅

setRpropDWPlus

getTermCriteria()

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

纯虚函数

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

训练算法的终止条件。您可以指定最大迭代次数（maxCount）以及迭代之间错误变化的最大可能性（epsilon），以使算法继续。默认值为：TermCriteria(TermCriteria::MAX_ITER + TermCriteria::EPS, 1000, 0.01)。

另请参阅

setTermCriteria

getTrainMethod()

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

纯虚函数

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

返回当前训练方法

getWeights()

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

纯虚函数

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

load()

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

静态

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

从文件加载并创建一个序列化的ANN。

使用ANN::save将ANN序列化并存储到磁盘。通过调用此函数并传入文件路径来从文件再次加载ANN。

参数

filepath

序列化ANN的路径

setActivationFunction()

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

纯虚函数

Python
	cv.ml.ANN_MLP.setActivationFunction(	type[, param1[, param2]]	) ->	None

初始化每个神经元的激活函数。当前默认且仅完全支持的激活函数是 ANN_MLP::SIGMOID_SYM。

参数

type	激活函数的类型。参见 ANN_MLP::ActivationFunctions。
param1	激活函数的第一个参数，\(\alpha\)。默认值是 0。
param2	激活函数的第二个参数，\(\beta\)。默认值是 0。

setAnnealCoolingRatio()

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

纯虚函数

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

另请参阅

getAnnealCoolingRatio

setAnnealEnergyRNG()

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

纯虚函数

设置/初始化退火RNG。

setAnnealFinalT()

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

纯虚函数

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

另请参阅

getAnnealFinalT

setAnnealInitialT()

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

纯虚函数

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

另请参阅

getAnnealInitialT

setAnnealItePerStep()

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

纯虚函数

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

另请参阅

getAnnealItePerStep

setBackpropMomentumScale()

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

纯虚函数

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

另请参阅

getBackpropMomentumScale

setBackpropWeightScale()

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

纯虚函数

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

另请参阅

getBackpropWeightScale

setLayerSizes()

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

纯虚函数

Python
	cv.ml.ANN_MLP.setLayerSizes(	_layer_sizes	) ->	None

整数向量，指定每层的神经元数目，包括输入层和输出层。第一个元素指定输入层的元素数目。最后一个元素指定输出层的元素数目。默认值为空Mat。

另请参阅

getLayerSizes

setRpropDW0()

虚拟函数 cv::ml::ANN_MLP::setRpropDW0 ( double  val )

纯虚函数

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

另请参阅

getRpropDW0

setRpropDWMax()

虚拟函数 cv::ml::ANN_MLP::setRpropDWMax ( double  val )

纯虚函数

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

另请参阅

getRpropDWMax

setRpropDWMin()

虚拟函数 cv::ml::ANN_MLP::setRpropDWMin ( double  val )

纯虚函数

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

另请参阅

getRpropDWMin

setRpropDWMinus()

虚拟函数 cv::ml::ANN_MLP::setRpropDWMinus ( double  val )

纯虚函数

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

另请参阅

getRpropDWMinus

setRpropDWPlus()

虚拟函数 cv::ml::ANN_MLP::setRpropDWPlus ( double  val )

纯虚函数

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

另请参阅

getRpropDWPlus

setTermCriteria()

虚拟函数 cv::ml::ANN_MLP::setTermCriteria ( TermCriteria  val )

纯虚函数

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

另请参阅

getTermCriteria

setTrainMethod()

虚拟函数 cv::ml::ANN_MLP::setTrainMethod ( int  method, double  param1 = 0, double  param2 = 0  )

纯虚函数

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

设置训练方法和通用参数。

参数

method	默认值是ANN_MLP::RPROP。见ANN_MLP::TrainingMethods。
param1	传递给setRpropDW0用于ANN_MLP::RPROP，传递给setBackpropWeightScale用于ANN_MLP::BACKPROP，传递给initialT用于ANN_MLP::ANNEAL。
param2	传递给setRpropDWMin用于ANN_MLP::RPROP，传递给setBackpropMomentumScale用于ANN_MLP::BACKPROP，传递给finalT用于ANN_MLP::ANNEAL。

---

本类的文档源自以下文件

• opencv2/ml.hpp