人臉識(shí)別實(shí)戰(zhàn)之Opencv+SVM實(shí)現(xiàn)人臉識(shí)別
前言
在本文中，您將學(xué)習(xí)如何使用 OpenCV 進(jìn)行人臉識(shí)別。文章分三部分介紹：
第一，將首先執(zhí)行人臉檢測(cè)，使用深度學(xué)習(xí)從每個(gè)人臉中提取人臉量化為128位的向量。
第二， 在嵌入基礎(chǔ)上使用支持向量機(jī)（SVM）訓(xùn)練人臉識(shí)別模型。
第三，最后使用 OpenCV 識(shí)別圖像和視頻流中的人臉。
項(xiàng)目結(jié)構(gòu)
編碼
新建face_embeddings.py腳本，寫入如下代碼：
# import the necessary packages import numpy as np import pickle import cv2 import os import os
導(dǎo)入需要的包。然后定義幾個(gè)函數(shù)：
def list_images(basePath, contains=None):
# return the set of files that are valid
return list_files(basePath, validExts=image_types, contains=contains)
def list_files(basePath, validExts=None, contains=None):
# loop over the directory structure
for (rootDir, dirNames, filenames) in os.walk(basePath):
# loop over the filenames in the current directory
for filename in filenames:
# if the contains string is not none and the filename does not contain
# the supplied string, then ignore the file
if contains is not None and filename.find(contains) == -1:
continue
# determine the file extension of the current file
ext = filename[filename.rfind("."):].lower()
# check to see if the file is an image and should be processed
if validExts is None or ext.endswith(validExts):
# construct the path to the image and yield it
imagePath = os.path.join(rootDir, filename)
yield imagePath
def resize(image, width=None, height=None, inter=cv2.INTER_AREA):
dim = None
(h, w) = image.shape[:2]
# 如果高和寬為None則直接返回
if width is None and height is None:
return image
# 檢查寬是否是None
if width is None:
# 計(jì)算高度的比例并并按照比例計(jì)算寬度
r = height / float(h)
dim = (int(w * r), height)
# 高為None
else:
# 計(jì)算寬度比例，并計(jì)算高度
r = width / float(w)
dim = (width, int(h * r))
resized = cv2.resize(image, dim, interpolation=inter)
# return the resized image
return resized
list_images函數(shù)，讀取數(shù)據(jù)集文件夾下面的圖片。
resize函數(shù)，等比例resize圖片。接下來(lái)定義一些變量：
dataset_path='dataset' embeddings_path='output/embeddings.pickle' detector_path='face_dete_model' embedding_model='nn4.small2.v1.t7' confidence_low=0.5
dataset_path：數(shù)據(jù)集路徑
embeddings_path：輸出編碼文件的路徑
detector_path：人臉檢測(cè)模型的路徑
embedding_model：編碼模型
confidence_low：最低的置信度。
接下來(lái)就是代碼的最重要的部分：
print("loading face detector...")
protoPath = os.path.sep.join([detector_path, "deploy.proto.txt"])
modelPath = os.path.sep.join([detector_path,"res10_300x300_ssd_iter_140000_fp16.caffemodel"])
detector = cv2.dnn.readNetFromCaffe(protoPath, modelPath)
# 加載序列化的人臉編碼模型
print("loading face recognizer...")
embedder = cv2.dnn.readNetFromTorch(embedding_model)
# 獲取數(shù)據(jù)集中輸入圖像的路徑
print("quantifying faces...")
imagePaths = list(list_images(dataset_path))
# 初始化我們提取的面部編碼列表和相應(yīng)的人名
knownEmbeddings = []
knownNames = []
# 初始化處理的人臉總數(shù)
total = 0
# loop over the image paths
for (i, imagePath) in enumerate(imagePaths):
# extract the person name from the image path
print("processing image {}/{}".format(i + 1,len(imagePaths)))
name = imagePath.split(os.path.sep)[-2]
# 加載圖像，將其調(diào)整為寬度為 600 像素（同時(shí)保持縱橫比），然后抓取圖像尺寸
image = cv2.imread(imagePath)
image = resize(image, width=600)
(h, w) = image.shape[:2]
# 從圖像構(gòu)建一個(gè) blob
imageBlob = cv2.dnn.blobFromImage(
cv2.resize(image, (300, 300)), 1.0, (300, 300),
(104.0, 177.0, 123.0), swapRB=False, crop=False)
# 使用 OpenCV 的基于深度學(xué)習(xí)的人臉檢測(cè)器來(lái)定位輸入圖像中的人臉
detector.setInput(imageBlob)
detections = detector.forward()
# ensure at least one face was found
if len(detections) > 0:
# 假設(shè)每個(gè)圖像只有一張臉，所以找到概率最大的邊界框
i = np.argmax(detections[0, 0, :, 2])
confidence = detections[0, 0, i, 2]
# 確保最大概率的檢測(cè)也意味著我們的最小概率測(cè)試（從而幫助過(guò)濾掉弱檢測(cè)）
if confidence > confidence_low:
# 計(jì)算人臉邊界框的 (x, y) 坐標(biāo)
box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])
(startX, startY, endX, endY) = box.astype("int")
# 提取人臉ROI并抓取ROI維度
face = image[startY:endY, startX:endX]
(fH, fW) = face.shape[:2]
# 確保人臉寬度和高度足夠大
if fW < 20 or fH < 20:
continue
# 為人臉 ROI 構(gòu)造一個(gè) blob，然后將 blob 通過(guò)我們的人臉嵌入模型來(lái)獲得人臉的 128-d 量化
faceBlob = cv2.dnn.blobFromImage(face, 1.0 / 255,
(96, 96), (0, 0, 0), swapRB=True, crop=False)
embedder.setInput(faceBlob)
vec = embedder.forward()
# 將人名+對(duì)應(yīng)的人臉嵌入添加到各自的列表中
knownNames.append(name)
knownEmbeddings.append(vec.flatten())
total += 1
# 保存編碼文件
print("serializing {} encodings...".format(total))
data = {"embeddings": knownEmbeddings, "names": knownNames}
f = open(embeddings_path, "wb")
f.write(pickle.dumps(data))
f.close()
加載人臉檢測(cè)器和編碼器：
檢測(cè)器：使用基于Caffe的DL人臉檢測(cè)器來(lái)定位圖像中的人臉。
編碼器：模型基于Torch，負(fù)責(zé)通過(guò)深度學(xué)習(xí)特征提取來(lái)提取人臉編碼。
接下來(lái)，讓我們抓取圖像路徑并執(zhí)行初始化。
遍歷 imagePaths。從路徑中提取人名。
構(gòu)造了一個(gè) blob。
然后，通過(guò)將 imageBlob 通過(guò)檢測(cè)器網(wǎng)絡(luò)來(lái)檢測(cè)圖像中的人臉。
檢測(cè)列表包含定位圖像中人臉的概率和坐標(biāo)。
假設(shè)我們至少有一個(gè)檢測(cè)，將進(jìn)入 if 語(yǔ)句的主體。
假設(shè)圖像中只有一張臉，因此提取具有最高置信度的檢測(cè)并檢查以確保置信度滿足用于過(guò)濾弱檢測(cè)的最小概率閾值。
假設(shè)已經(jīng)達(dá)到了這個(gè)閾值，提取面部 ROI 并抓取/檢查尺寸以確保面部 ROI 足夠大。
然后，我們將利用編碼器 并提取人臉編碼。
繼續(xù)構(gòu)建另一個(gè) blob。
隨后，將 faceBlob 通過(guò)編碼器 。 這會(huì)生成一個(gè) 128 維向量 (vec) 來(lái)描述面部。
然后我們簡(jiǎn)單地將名稱和嵌入 vec 分別添加到 knownNames 和 knownEmbeddings 中。
繼續(xù)循環(huán)圖像、檢測(cè)人臉并為數(shù)據(jù)集中的每個(gè)圖像提取人臉編碼的過(guò)程。
循環(huán)結(jié)束后剩下的就是將數(shù)據(jù)轉(zhuǎn)儲(chǔ)到磁盤。
運(yùn)行結(jié)果：
loading face detector...
loading face recognizer...
quantifying faces...
processing image 1/19
processing image 2/19
processing image 3/19
processing image 4/19
processing image 5/19
processing image 6/19
processing image 7/19
processing image 8/19
processing image 9/19
processing image 10/19
processing image 11/19
processing image 12/19
processing image 13/19
processing image 14/19
processing image 15/19
processing image 16/19
processing image 17/19
processing image 18/19
processing image 19/19
serializing 19 encodings...
Process finished with exit code 0
訓(xùn)練人臉識(shí)別模型
已經(jīng)為每張臉提取了 128 維編碼——但是我們?nèi)绾胃鶕?jù)這些嵌入來(lái)識(shí)別一個(gè)人呢？
答案是我們需要在嵌入之上訓(xùn)練一個(gè)“標(biāo)準(zhǔn)”機(jī)器學(xué)習(xí)模型（例如 SVM、k-NN 分類器、隨機(jī)森林等）。
今天我們使用SVM實(shí)現(xiàn)
打開 train_face.py 文件并插入以下代碼：
from sklearn.preprocessing import LabelEncoder
from sklearn.svm import SVC
import pickle
embeddings_path='output/embeddings.pickle'
recognizer_path='output/recognizer.pickle'
lable_path='output/le.pickle'
# 加載編碼模型
print("[INFO] loading face embeddings...")
data = pickle.loads(open(embeddings_path, "rb").read())
# 給label編碼
print("[INFO] encoding labels...")
le = LabelEncoder()
labels = le.fit_transform(data["names"])
# 訓(xùn)練用于接受人臉 128-d 嵌入的模型，然后產(chǎn)生實(shí)際的人臉識(shí)別
recognizer = SVC(C=1.0, kernel="linear", probability=True)
recognizer.fit(data["embeddings"], labels)
# 保存模型
f = open(recognizer_path, "wb")
f.write(pickle.dumps(recognizer))
f.close()
# 保存lable
f = open(lable_path, "wb")
f.write(pickle.dumps(le))
f.close()
導(dǎo)入包和模塊。 我們將使用 scikit-learn 的支持向量機(jī) (SVM) 實(shí)現(xiàn)，這是一種常見(jiàn)的機(jī)器學(xué)習(xí)模型。
定義變量。
- embeddings_path：序列化編碼。
- recognizer_path：這將是我們識(shí)別人臉的輸出模型。 它基于 SVM。
- lable_path：標(biāo)簽編碼器輸出文件路徑
加載編碼。
然后初始化 scikit-learn LabelEncoder 并編碼名稱標(biāo)簽。
訓(xùn)練模型。本文使用的是線性支持向量機(jī) (SVM)，但如果您愿意，您可以嘗試使用其他機(jī)器學(xué)習(xí)模型進(jìn)行試驗(yàn)。
訓(xùn)練模型后，我們將模型和標(biāo)簽編碼器保存到電腦上。
運(yùn)行train_face.py 腳本。
識(shí)別圖像中的人臉
新建腳本文件recognize_face.py，插入一下代碼：
import numpy as np import pickle import cv2 import os
導(dǎo)入包，然后我們需要新增一個(gè)resize方法。
def resize(image, width=None, height=None, inter=cv2.INTER_AREA):
dim = None
(h, w) = image.shape[:2]
# 如果高和寬為None則直接返回
if width is None and height is None:
return image
# 檢查寬是否是None
if width is None:
# 計(jì)算高度的比例并并按照比例計(jì)算寬度
r = height / float(h)
dim = (int(w * r), height)
# 高為None
else:
# 計(jì)算寬度比例，并計(jì)算高度
r = width / float(w)
dim = (width, int(h * r))
resized = cv2.resize(image, dim, interpolation=inter)
# return the resized image
return resized
等比例resize圖像,定義變量：
image_path = '11.jpg' detector_path = 'face_dete_model' embedding_path = 'nn4.small2.v1.t7' recognizer_path = 'output/recognizer.pickle' label_path = 'output/le.pickle' confidence_low = 0.5
這六個(gè)變量的含義如下：
- image_path ：輸入圖像的路徑。
- detector_path：OpenCV 深度學(xué)習(xí)人臉檢測(cè)器的路徑。 使用這個(gè)模型來(lái)檢測(cè)人臉 ROI 在圖像中的位置。
- embedding_path : OpenCV 深度學(xué)習(xí)人臉編碼模型的路徑。 我們將使用這個(gè)模型從人臉 ROI 中提取 128 維人臉嵌入——然后將把數(shù)據(jù)輸入到識(shí)別器中。
- recognizer_path ：識(shí)別器模型的路徑。
- label_path : 標(biāo)簽編碼器的路徑。
- confidence_low：過(guò)濾弱人臉檢測(cè)的可選閾值。
接下來(lái)是代碼的主體部分：
# 加載序列化人臉檢測(cè)器
print("[INFO] loading face detector...")
protoPath = os.path.sep.join([detector_path, "deploy.proto.txt"])
modelPath = os.path.sep.join([detector_path,"res10_300x300_ssd_iter_140000_fp16.caffemodel"])
detector = cv2.dnn.readNetFromCaffe(protoPath, modelPath)
# 加載我們序列化的人臉編碼模型
print("[INFO] loading face recognizer...")
embedder = cv2.dnn.readNetFromTorch(embedding_path)
# 加載實(shí)際的人臉識(shí)別模型和標(biāo)簽編碼器
recognizer = pickle.loads(open(recognizer_path, "rb").read())
le = pickle.loads(open(label_path, "rb").read())
# 加載圖像，將其調(diào)整為寬度為 600 像素（同時(shí)保持縱橫比），然后抓取圖像尺寸
image = cv2.imread(image_path)
image = resize(image, width=600)
(h, w) = image.shape[:2]
# 從圖像構(gòu)建一個(gè) blob
imageBlob = cv2.dnn.blobFromImage(
cv2.resize(image, (300, 300)), 1.0, (300, 300),
(104.0, 177.0, 123.0), swapRB=False, crop=False)
# 應(yīng)用 OpenCV 的基于深度學(xué)習(xí)的人臉檢測(cè)器來(lái)定位輸入圖像中的人臉
detector.setInput(imageBlob)
detections = detector.forward()
# loop over the detections
for i in range(0, detections.shape[2]):
# 提取與預(yù)測(cè)相關(guān)的置信度（即概率）
confidence = detections[0, 0, i, 2]
# filter out weak detections
if confidence > confidence_low:
# 計(jì)算人臉邊界框的 (x, y) 坐標(biāo)
box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])
(startX, startY, endX, endY) = box.astype("int")
# 提取人臉ROI
face = image[startY:endY, startX:endX]
(fH, fW) = face.shape[:2]
# 確保人臉寬度和高度足夠大
if fW < 20 or fH < 20:
continue
# 為人臉 ROI 構(gòu)造一個(gè) blob，然后將 blob 通過(guò)我們的人臉嵌入模型來(lái)獲得人臉的 128-d 量化
faceBlob = cv2.dnn.blobFromImage(face, 1.0 / 255, (96, 96),
(0, 0, 0), swapRB=True, crop=False)
embedder.setInput(faceBlob)
vec = embedder.forward()
# 執(zhí)行分類以識(shí)別人臉
preds = recognizer.predict_proba(vec)[0]
j = np.argmax(preds)
proba = preds[j]
name = le.classes_[j]
# 繪制人臉的邊界框以及相關(guān)的概率
text = "{}: {:.2f}%".format(name, proba * 100)
y = startY - 10 if startY - 10 > 10 else startY + 10
cv2.rectangle(image, (startX, startY), (endX, endY),
(0, 0, 255), 2)
cv2.putText(image, text, (startX, y),
cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)
# 展示結(jié)果
cv2.imshow("Image", image)
cv2.waitKey(0)
我們?cè)谶@個(gè)塊中加載三個(gè)模型。 冒著冗余的風(fēng)險(xiǎn)，我想明確提醒您模型之間的差異：
- 檢測(cè)器：一個(gè)預(yù)訓(xùn)練的 Caffe DL 模型，用于檢測(cè)人臉在圖像中的位置。
- embedder：一個(gè)預(yù)訓(xùn)練的 Torch DL 模型，用于計(jì)算我們的 128-D 人臉嵌入。
- 識(shí)別器：線性 SVM 人臉識(shí)別模型。
1 和 2 都是預(yù)先訓(xùn)練好的，這意味著它們是由 OpenCV 按原樣提供給您的
加載標(biāo)簽編碼器，其中包含我們的模型可以識(shí)別的人的姓名。
將圖像加載到內(nèi)存中并構(gòu)建一個(gè) blob。
通過(guò)我們的檢測(cè)器定位圖像中的人臉。
您將從步驟 1 中識(shí)別出此塊。 我在這里再解釋一遍：
遍歷檢測(cè)并提取每個(gè)檢測(cè)的置信度。
然后將置信度與命令行 最小概率檢測(cè)閾值進(jìn)行比較，確保計(jì)算出的概率大于最小概率。
我們提取人臉 ROI并確保它的空間維度足夠大。
下面是識(shí)別人臉 ROI代碼：
首先，構(gòu)建一個(gè) faceBlob）并將其通過(guò)編碼器以生成描述面部的 128 維向量
然后，我們將 vec 通過(guò)我們的 SVM 識(shí)別器模型，其結(jié)果是我們對(duì)面部 ROI 中的人的預(yù)測(cè)。
我們?nèi)∽罡吒怕手笖?shù)并查詢我們的標(biāo)簽編碼器以找到名稱。
循環(huán)中識(shí)別每一張臉（包括“未知”）人：
在構(gòu)造了一個(gè)包含名稱和概率的文本字符串。
然后在臉部周圍繪制一個(gè)矩形并將文本放在框上方。
最后我們?cè)谄聊簧峡梢暬Y(jié)果，直到按下某個(gè)鍵。
可以看出使用機(jī)器學(xué)習(xí)的方式準(zhǔn)確率還是比較低的，但是優(yōu)點(diǎn)是速度快。
攝像頭識(shí)別人臉
這里我用視頻代替，代碼和圖像中識(shí)別人臉的步驟一致，直接上代碼。
新建recognize_video.py腳本，插入一下代碼：
import numpy as np
import pickle
import time
import cv2
import os
def resize(image, width=None, height=None, inter=cv2.INTER_AREA):
dim = None
(h, w) = image.shape[:2]
# 如果高和寬為None則直接返回
if width is None and height is None:
return image
# 檢查寬是否是None
if width is None:
# 計(jì)算高度的比例并并按照比例計(jì)算寬度
r = height / float(h)
dim = (int(w * r), height)
# 高為None
else:
# 計(jì)算寬度比例，并計(jì)算高度
r = width / float(w)
dim = (width, int(h * r))
resized = cv2.resize(image, dim, interpolation=inter)
# return the resized image
return resized
out_put='output.avi'
video_path = '1.mp4'
detector_path = 'face_dete_model'
embedding_path = 'nn4.small2.v1.t7'
recognizer_path = 'output/recognizer.pickle'
label_path = 'output/le.pickle'
confidence_low = 0.5
# load our serialized face detector from disk
print("[INFO] loading face detector...")
protoPath = os.path.sep.join([detector_path, "deploy.proto.txt"])
modelPath = os.path.sep.join([detector_path,"res10_300x300_ssd_iter_140000_fp16.caffemodel"])
detector = cv2.dnn.readNetFromCaffe(protoPath, modelPath)
# load our serialized face embedding model from disk
print("[INFO] loading face recognizer...")
embedder = cv2.dnn.readNetFromTorch(embedding_path)
# load the actual face recognition model along with the label encoder
recognizer = pickle.loads(open(recognizer_path, "rb").read())
le = pickle.loads(open(label_path, "rb").read())
# initialize the video stream, then allow the camera sensor to warm up
print("[INFO] starting video stream...")
#vs = cv2.VideoCapture(0) #攝像頭
vs=cv2.VideoCapture(video_path)# 視頻
time.sleep(2.0)
# start the FPS throughput estimator
writer=None
# loop over frames from the video file stream
while True:
# grab the frame from the threaded video stream
ret_val, frame = vs.read()
if ret_val is False:
break
# resize the frame to have a width of 600 pixels (while
# maintaining the aspect ratio), and then grab the image
# dimensions
frame = resize(frame, width=600)
(h, w) = frame.shape[:2]
# construct a blob from the image
imageBlob = cv2.dnn.blobFromImage(
cv2.resize(frame, (300, 300)), 1.0, (300, 300),
(104.0, 177.0, 123.0), swapRB=False, crop=False)
# apply OpenCV's deep learning-based face detector to localize
# faces in the input image
detector.setInput(imageBlob)
detections = detector.forward()
# loop over the detections
for i in range(0, detections.shape[2]):
# extract the confidence (i.e., probability) associated with
# the prediction
confidence = detections[0, 0, i, 2]
# filter out weak detections
if confidence >confidence_low:
# compute the (x, y)-coordinates of the bounding box for
# the face
box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])
(startX, startY, endX, endY) = box.astype("int")
# extract the face ROI
face = frame[startY:endY, startX:endX]
(fH, fW) = face.shape[:2]
# ensure the face width and height are sufficiently large
if fW < 20 or fH < 20:
continue
# construct a blob for the face ROI, then pass the blob
# through our face embedding model to obtain the 128-d
# quantification of the face
faceBlob = cv2.dnn.blobFromImage(face, 1.0 / 255,
(96, 96), (0, 0, 0), swapRB=True, crop=False)
embedder.setInput(faceBlob)
vec = embedder.forward()
# perform classification to recognize the face
preds = recognizer.predict_proba(vec)[0]
j = np.argmax(preds)
proba = preds[j]
name = le.classes_[j]
# draw the bounding box of the face along with the
# associated probability
text = "{}: {:.2f}%".format(name, proba * 100)
y = startY - 10 if startY - 10 > 10 else startY + 10
cv2.rectangle(frame, (startX, startY), (endX, endY),
(0, 0, 255), 2)
cv2.putText(frame, text, (startX, y),
cv2.FONT_HERSHEY_SIMPLEX, 0.45, (0, 0, 255), 2)
if writer is None and out_put is not None:
fourcc = cv2.VideoWriter_fourcc(*"MJPG")
writer = cv2.VideoWriter(out_put, fourcc, 20,
(frame.shape[1], frame.shape[0]), True)
# 如果 writer 不是 None，則將識(shí)別出人臉的幀寫入磁盤
if writer is not None:
writer.write(frame)
# show the output frame
cv2.imshow("Frame", frame)
key = cv2.waitKey(1) & 0xFF
# if the `q` key was pressed, break from the loop
if key == ord("q"):
break
# do a bit of cleanup
cv2.destroyAllWindows()
vs.release()
if writer is not None:
writer.release()
運(yùn)行結(jié)果：?
以上就是人臉識(shí)別實(shí)戰(zhàn)之Opencv+SVM實(shí)現(xiàn)人臉識(shí)別的詳細(xì)內(nèi)容，更多關(guān)于Opencv SVM人臉識(shí)別的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
這篇文章主要介紹了Python使用分布式鎖的代碼演示，小編覺(jué)得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。一起跟隨小編過(guò)來(lái)看看吧2018-07-07
這篇文章主要為大家詳細(xì)介紹了pytorch實(shí)現(xiàn)邏輯回歸，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2021-04-04
python3中的函數(shù)與參數(shù)及空值問(wèn)題
這篇文章主要介紹了python3-函數(shù)與參數(shù)以及空值，本文通過(guò)實(shí)例代碼給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2022-11-11
深入了解Python中Pytest Markers的使用方法
從這篇開始,逐一解決fixture是啥,mark是啥,參數(shù)request是啥,鉤子函數(shù)是啥,parametrize參數(shù)化是啥,這些問(wèn)題,本片先介紹一下mark是啥,以及如何使用2023-09-09
這篇文章主要為大家詳細(xì)介紹了python實(shí)現(xiàn)人機(jī)五子棋，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2020-03-03
Python利用AutoGrad實(shí)現(xiàn)自動(dòng)計(jì)算函數(shù)斜率和梯度
AutoGrad 是一個(gè)老少皆宜的 Python 梯度計(jì)算模塊。對(duì)于大學(xué)生、機(jī)器學(xué)習(xí)愛(ài)好者而言，你只需要傳遞給它Numpy這樣的標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)下編寫的損失函數(shù)，它就可以自動(dòng)計(jì)算損失函數(shù)的導(dǎo)數(shù)（梯度）。本文將從普通斜率計(jì)算開始，介紹到如何只使用它來(lái)實(shí)現(xiàn)一個(gè)邏輯回歸模型2022-07-07
在本篇文章里小編給大家分享的是關(guān)于python的由來(lái)等相關(guān)內(nèi)容，有興趣的朋友們學(xué)習(xí)參考下。2020-06-06
實(shí)現(xiàn)用python算法計(jì)算圓周率的小訣竅
什么！你不會(huì)背圓周率（鄙夷的眼神） 3.1415926535 8979323846 26433... 但是，我會(huì)算啊，本文用一個(gè)簡(jiǎn)單的python代碼，教你計(jì)算圓周率2021-08-08
使用Python腳本對(duì)GiteePages進(jìn)行一鍵部署的使用說(shuō)明
剛好之前有了解過(guò)python的自動(dòng)化，就想著自動(dòng)化腳本，百度一搜還真有類似的文章。今天就給大家分享下使用Python腳本對(duì)GiteePages進(jìn)行一鍵部署的使用說(shuō)明，感興趣的朋友一起看看吧2021-05-05
這篇文章主要介紹了python optparse模塊使用實(shí)例,optparse是專門來(lái)處理命令行選項(xiàng)的,本文就講解了它的使用方法,需要的朋友可以參考下2015-04-04