首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    深入浅出人脸识别技术

    在深度学习出现后,人脸识别技术才真正有了可用性。这是因为之前的机器学习技术中,难以从图片中取出合适的特征值。轮廓?颜色?眼睛?如此多的面孔,且随着年纪、光线、拍摄角度、气色、表情、化妆、佩饰挂件等等的不同,同一个人的面孔照片在照片象素层面上差别很大,凭借专家们的经验与试错难以取出准确率较高的特征值,自然也没法对这些特征值进一步分类。深度学习的最大优势在于由训练算法自行调整参数权重,构造出一个准确率较高的f(x)函数,给定一张照片则可以获取到特征值,进而再归类。本文中笔者试图用通俗的语言探讨人脸识别技术,首先概述人脸识别技术,接着探讨深度学习有效的原因以及梯度下降为什么可以训练出合适的权重参数,最后描述基于CNN卷积神经网络的人脸识别。

    06

    SVR支持向量回归例子「建议收藏」

    SVR软件包的安装:https://www.cnblogs.com/Ran-Chen/p/9462825.html %使用SVR模型,得到输入矢量x(x包含3个变量x1,x2,x3)到输出矢量y(y只包含一个变量)之间的映射关系,也就是计算y=f(x1,x2,x3)函数的f %x1,x2,x3时简单的加法运算 y=x1+x2+x3 %训练个数 训练需要的时间(秒) 误差 相关系数 %100 0.0028 9.3469 0.7711 %500 0.05 7.38 0.8 %1000 0.17 4.5889 0.8618 %10000 4.1250 0.006051 0.9997 %20000 8.98 9.98041e-05 0.9999 %50000 33.24 9.97801e-05 0.9999 %60000 %平方后相加运算 y=x1的平方+x2的平方+x3的平方 %训练个数 训练需要的时间(秒) 误差 相关系数 %100 0.002 3212 0.72033 %500 0.04 2516 0.5748 %1000 0.16 2885 0.62 %10000 12.8 1150 0.7964 %20000 41 376 0.9199 %50000 159 4.90 0.998527 %60000 503 0.92 0.999717 %结论:随着训练SVR模型时使用的数据量变大,训练的效果越好。通过误差变小,相关系数变大来体现。

    04
    领券