6关于简单目标识别与意图分析的机器学习实战研究（神经网络目标识别——改写某博主的简单分类脚本）1
需积分: 0 65 浏览量
2022-08-08
20:54:59
上传
评论
收藏 84KB DOCX 举报
关于简单目标识别与意图分析的机器学习实战研究（神经网络目标识别——改写某博主的简
单分类脚本）
这边顺利的完成了透视变换，同学高高兴兴的老师汇报问题解决了，然后又从头讲了遍
目标识别的思路，问是不是能进行下一步的意图分析了。老师听完后说不急，告诉同学，要
是在目标识别的时候就能用上深度学习的话就好了，可以尝试一下，确实这方面对没学过的
同学来说有些难度，但趁现在多试试，多踩坑，不行的话也是有了这么一次经验。然后我就
踩了一堆坑......
我寻思反正也没做过，找个前辈的研究改改也就能用吧，抱着这个想法，我找到了第
一个开源项目，GitHub 上代码地址：https://github.com/527515025/My-TensorFlow-
tutorials/tree/master/猫狗识别，作者用的是 TensorFlow 卷积神经网络，这里是作者的博
客：https://blog.csdn.net/u012373815/article/details/78768727，不过正如大家所看到的那
样，这里只能识别猫和狗两种，显然不符合我们的要求，所以我将代码改了改，将输入处
改了一下能输入三种数据流，扩大了卷积层，增加了一个神经元输出，训练代码也做出同
样的更改，使之能够识别三种物体状态，训练代码更改如下：
1. import os
2. import numpy as np
3. import tensorflow as tf
4. import input_data
5. import model
6.
7. N_CLASSES = 3 # 增加 1 个输出神经元
8. IMG_W = 208 # 重新定义图片的大小，图片如果过大则训练比较慢
9. IMG_H = 208
10. BATCH_SIZE = 32 #每批数据的大小
11. CAPACITY = 256
12. MAX_STEP = 15000 # 训练的步数，应当 >= 10000
13. learning_rate = 0.0001 # 学习率，建议刚开始的 learning_rate <= 0.0001
14. def run_training():
15.
16. # 数据集
17. train_dir = 'E:/bishework/lx/all-match/' #My dir--20170727-csq
18. #logs_train_dir 存放训练模型的过程的数据，在 tensorboard 中查看
19. logs_train_dir = 'E:/bishework/lx/train/'
20. # 获取图片和标签集
21. train, train_label = input_data.get_files(train_dir)
22. # 生成批次
23. train_batch, train_label_batch = input_data.get_batch(train,
24. train_label,
25. IMG_W,
26. IMG_H,
27. BATCH_SIZE,
28. CAPACITY)
29. # 进入模型
30. train_logits = model.inference(train_batch, BATCH_SIZE, N_CLASSES)
资源评论
叫我叔叔就行
- 粉丝: 24
- 资源: 323
