OpenCV 4.12.0
开源计算机视觉
加载中...
搜索中...
无匹配项
cv::ml::ANN_MLP 类参考抽象

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_MLPcreate ()
 创建空模型。
 
static Ptr< ANN_MLPload (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< _Tptrain (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< _Tpload (const String &filename, const String &objname=String())
 从文件中加载算法。
 
template<typename _Tp >
static Ptr< _TploadFromString (const String &strModel, const String &objname=String())
 从字符串加载算法。
 
template<typename _Tp >
static Ptr< _Tpread (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

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

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

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]]) ->

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) ->

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) ->

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) ->

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) ->

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) ->

◆ setBackpropWeightScale()

virtual void cv::ml::ANN_MLP::setBackpropWeightScale ( double val)
纯虚函数
Python
cv.ml.ANN_MLP.setBackpropWeightScale(val) ->

◆ setLayerSizes()

virtual void cv::ml::ANN_MLP::setLayerSizes ( InputArray _layer_sizes)
纯虚函数
Python
cv.ml.ANN_MLP.setLayerSizes(_layer_sizes) ->

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) ->

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) ->

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) ->

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) ->

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) ->

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) ->

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]]) ->

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