深度学习-23-基于 keras 卷积神经网络 CNN 的十大经典算法
最编程
2024-10-15 13:16:27
...
文章目录
- 1 卷积神经网络CNN
-
- 1.1 CNN简介
- 1.2 CNN的结构
- 2 模拟应用
-
- 2.1 构建模型
- 2.2 训练模型
- 2.3 模型预测
- 3 手写数字
-
- 3.1 加载数据
- 3.2 构建模型
- 3.3 训练模型
- 3.4 模型预测
- 4 参考附录
1 卷积神经网络CNN
1.1 CNN简介
模型原理：
卷积神经网络（CNN）是一种专门为处理图像数据而设计的神经网络，由Lechun大佬设计的Lenet是CNN的开山之作。
CNN通过使用卷积层来捕获局部特征，并通过池化层来降低数据的维度。
卷积层对输入数据进行局部卷积操作，并使用参数共享机制来减少模型的参数数量。池化层则对卷积层的输出进行下采样，以降低数据的维度和计算复杂度。这种结构特别适合处理图像数据。
模型训练：
使用反向传播算法和梯度下降优化算法来更新权重。在训练过程中，通过计算损失函数关于权重的梯度，然后使用梯度下降或其他优化算法来更新权重，以最小化损失函数。
优点：
能够有效地处理图像数据，并捕获局部特征。具有
推荐阅读
-
深度学习-23-基于 keras 卷积神经网络 CNN 的十大经典算法
-
[姿势估计] 实践记录：使用 Dlib 和 mediapipe 进行人脸姿势估计 - 本文重点介绍方法 2）：方法 1：基于深度学习的方法：。 基于深度学习的方法：基于深度学习的方法利用深度学习模型，如卷积神经网络（CNN）或递归神经网络（RNN），直接从人脸图像中学习姿势估计。这些方法能够学习更复杂的特征表征，并在大规模数据集上取得优异的性能。方法二：基于二维校准信息估计三维姿态信息（计算机视觉 PnP 问题）。 特征点定位：人脸姿态估计的第一步是通过特征点定位来检测和定位人脸的关键点，如眼睛、鼻子和嘴巴。这些关键点提供了人脸的局部结构信息，可用于后续的姿势估计。 旋转表示：常见的旋转表示方法包括欧拉角和旋转矩阵。欧拉角通过三个旋转角度（通常是俯仰、偏航和滚动）描述头部的旋转姿态。旋转矩阵是一个 3x3 矩阵，表示头部从一个坐标系到另一个坐标系的变换。 三维模型重建：根据特征点的定位结果，三维人脸模型可用于姿势估计。通过将人脸的二维图像映射到三维模型上，可以估算出人脸的旋转和平移信息。这就需要建立人脸的三维模型，然后通过优化方法将模型与特征点对齐，从而获得姿势估计结果。 特征点定位 特征点定位是用于检测人脸关键部位的五官基础部分，还有其他更多的特征点表示方法，大家可以参考我上一篇文章中介绍的特征点检测方案实践：人脸校正二次定位操作来解决人脸校正的问题，客户在检测关键点的代码上略有修改，坐标转换部分客户见上图 def get_face_info(image). img_copy = image.copy image.flags.writeable = False image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) results = face_detection.process(image) # 在图像上绘制人脸检测注释。 image.flags.writeable = True image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR) box_info, facial = None, None if results.detections： for detection in results. for detection in results.detections: mp_drawing.Drawing.detection = 无 mp_drawing.draw_detection(image, detection) 面部 = detection.location_data.relative_keypoints 返回面部 在上述代码中，返回的数据是五官（6 个关键点的坐标），这是用 mediapipe 库实现的，下面我们可以尝试用另一个库：dlib 来实现。 使用 dlib 使用 Dlib 库在 Python 中实现人脸关键点检测的步骤如下： 确保已安装 Dlib 库，可使用以下命令： pip install dlib 导入必要的库： 加载 Dlib 的人脸检测器和关键点检测器模型： 读取图像并将其灰度化： 使用人脸检测器检测图像中的人脸： 对检测到的人脸进行遍历，并使用关键点检测器检测人脸关键点： 显示绘制了关键点的图像： 以下代码将参数 landmarks_part 添加到要返回的关键点坐标中。