cv::ml::ANN_MLP 类参考

人工神经网络 - 多层感知器。更多...

#include <opencv2/ml.hpp>

cv::ml::ANN_MLP 的协作图

公共类型
枚举	激活函数 {   IDENTITY = 0 ,   SIGMOID_SYM = 1 ,   GAUSSIAN = 2 ,   RELU = 3 ,   LEAKYRELU = 4 }
枚举	训练标志 {   UPDATE_WEIGHTS = 1 ,   NO_INPUT_SCALE = 2 ,   NO_OUTPUT_SCALE = 4 }
枚举	训练方法 {   BACKPROP =0 ,   RPROP = 1 ,   ANNEAL = 2 }
从 cv::ml::StatModel 继承的公共类型
枚举	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 Algorithm 为空（例如，在最开始或读取失败后），则返回 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，则返回 true。
virtual bool	isTrained () const =0
	如果模型已训练，则返回 true。
virtual float	predict (InputArray samples, OutputArray results=noArray(), int flags=0) const =0
	预测提供的样本的响应
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

静态公共成员函数
static Ptr< ANN_MLP >	create ()
	创建空模型。
static Ptr< ANN_MLP >	load (const String &filepath)
	从文件中加载并创建一个序列化的 ANN。
从 cv::ml::StatModel 继承的静态公共成员函数
template<typename _Tp >
static Ptr< _Tp >	train (const Ptr< TrainData > &data, int flags=0)
	使用默认参数创建并训练模型。
从 cv::Algorithm 继承的静态公共成员函数
template<typename _Tp >
static Ptr< _Tp >	load (const String &filename, const String &objname=String())
	从文件中加载算法。
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。

附加继承成员
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。

与许多其他一次性构建和训练的 ML 模型不同，MLP 模型中的这些步骤是分离的。首先，使用非默认构造函数或 ANN_MLP::create 方法创建一个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训练网络。训练过程可以重复多次，即可以根据新的训练数据调整权重。

StatModel::train 的附加标志可用：ANN_MLP::TrainFlags。

另请参见

神经网络

成员枚举文档

ActivationFunctions

枚举 cv::ml::ANN_MLP::ActivationFunctions

可能的激活函数

枚举器
IDENTITY	恒等函数：\(f(x)=x\)
SIGMOID_SYM	对称 Sigmoid 函数：\(f(x)=\beta*(1-e^{-\alpha x})/(1+e^{-\alpha x})\) 注意 如果使用默认的 Sigmoid 激活函数，且默认参数值 fparam1=0 和 fparam2=0，则使用的函数是 y = 1.7159*tanh(2/3 * x)，因此输出范围将是 [-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：当 x>0 时 \(f(x)=x \)，当 x<=0 时 \(f(x)=\alpha x \)

TrainFlags

枚举 cv::ml::ANN_MLP::TrainFlags

训练选项

枚举器
UPDATE_WEIGHTS	更新网络权重，而不是从头开始计算。在后一种情况下，权重使用 Nguyen-Widrow 算法初始化。
NO_INPUT_SCALE	不归一化输入向量。如果未设置此标志，训练算法会独立归一化每个输入特征，将其均值移至 0 并使标准差等于 1。如果网络假定会频繁更新，则新的训练数据可能与原始数据大不相同。在这种情况下，应注意适当的归一化。
NO_OUTPUT_SCALE	不归一化输出向量。如果未设置此标志，训练算法会独立归一化每个输出特征，通过将其转换为取决于所用激活函数的特定范围。

TrainingMethods

枚举 cv::ml::ANN_MLP::TrainingMethods

可用训练方法

枚举器
BACKPROP	反向传播算法。
RPROP	RPROP 算法。详见 [229]。
ANNEAL	模拟退火算法。详见 [149]。

成员函数文档

create()

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

static

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

创建空模型。

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

另请参见

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 initialT。默认值为 0.1。

另请参见

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。

另请参见

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。

另请参见

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（前两次迭代中权重之间的差值）的强度。此参数提供了一些惯性，以平滑权重的随机波动。它可以从 0（禁用该功能）到 1 甚至更大。0.1 左右的值就足够了。默认值为 0.1。

另请参见

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。推荐值约为 0.1。默认值为 0.1。

另请参见

setBackpropWeightScale

getLayerSizes()

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

纯虚函数

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

指定每个层（包括输入层和输出层）中神经元数量的整数向量。第一个元素指定输入层中的元素数量。最后一个元素指定输出层中的元素数量。

另请参见

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 \(\Delta_{ij}\) 的初始值 \(\Delta_0\)。默认值为 0.1。

另请参见

setRpropDW0

getRpropDWMax()

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

纯虚函数

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

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

另请参见

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。默认值为 FLT_EPSILON。

另请参见

setRpropDWMin

getRpropDWMinus()

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

纯虚函数

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

RPROP：减小因子 \(\eta^-\)。它必须小于 1。默认值为 0.5。

另请参见

setRpropDWMinus

getRpropDWPlus()

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

纯虚函数

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

RPROP：增大因子 \(\eta^+\)。它必须大于 1。默认值为 1.2。

另请参见

setRpropDWPlus

getTermCriteria()

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

纯虚函数

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

训练算法的终止准则。可以指定最大迭代次数 (maxCount) 和/或迭代之间误差可以改变的程度，以使算法继续 (epsilon)。默认值是 TermCriteria(TermCriteria::MAX_ITER + TermCriteria::EPS, 1000, 0.01)。

另请参见

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 )

static

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

从文件中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，可以再次从该文件加载 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]]	) ->	无

为每个神经元初始化激活函数。当前默认且唯一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 \(\alpha\)。默认值为 0。
param2	激活函数的第二个参数 \(\beta\)。默认值为 0。

setAnnealCoolingRatio()

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

纯虚函数

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

另请参见

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	) ->	无

另请参见

getAnnealFinalT

setAnnealInitialT()

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

纯虚函数

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

另请参见

getAnnealInitialT

setAnnealItePerStep()

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

纯虚函数

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

另请参见

getAnnealItePerStep

setBackpropMomentumScale()

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

纯虚函数

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

另请参见

getBackpropMomentumScale

setBackpropWeightScale()

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

纯虚函数

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

另请参见

getBackpropWeightScale

setLayerSizes()

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

纯虚函数

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

指定每个层（包括输入层和输出层）中神经元数量的整数向量。第一个元素指定输入层中的元素数量。最后一个元素指定输出层中的元素数量。默认值为空 Mat。

另请参见

getLayerSizes

setRpropDW0()

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

纯虚函数

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

另请参见

getRpropDW0

setRpropDWMax()

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

纯虚函数

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

另请参见

getRpropDWMax

setRpropDWMin()

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

纯虚函数

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

另请参见

getRpropDWMin

setRpropDWMinus()

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

纯虚函数

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

另请参见

getRpropDWMinus

setRpropDWPlus()

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

纯虚函数

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

另请参见

getRpropDWPlus

setTermCriteria()

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

纯虚函数

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

另请参见

getTermCriteria

setTrainMethod()

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

纯虚函数

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

设置训练方法和通用参数。

参数

方法	默认值为 ANN_MLP::RPROP。参见 ANN_MLP::TrainingMethods。
param1	对于 ANN_MLP::RPROP 传递给 setRpropDW0，对于 ANN_MLP::BACKPROP 传递给 setBackpropWeightScale，对于 ANN_MLP::ANNEAL 传递给 initialT。
param2	对于 ANN_MLP::RPROP 传递给 setRpropDWMin，对于 ANN_MLP::BACKPROP 传递给 setBackpropMomentumScale，对于 ANN_MLP::ANNEAL 传递给 finalT。

---

此类的文档由以下文件生成

• opencv2/ml.hpp