（深度学习补充：神经网络的卷积核就是用来特征提取的，卷积核就像是人类的眼睛，每个卷积提取的图片就叫特征图，多个卷积核就会提取多个特征图，损失函数计算预测值和真实值误差，通过反向传播和优化器更新权重，从而更新卷积核，特征图就会发生变化，当输出结果和真实结果误差在可接受范围内的时候，那就代表特征提取正确了，模型学习到的是有效的）NLP，自然语言处理，和机器学习一样是人工智能的一个领域，如果说机器学习是

这里其实就相当于搭建网络，和之前定义cnn类一个性质，加载好别人训练好的模型之后，就要把所有层w权重修改权限全部冻结，然后对最后一层（也就是我们要训练的那一层进行修改），原模型的输出是1000个神经元，但是我们食物分类里面拢共是20个类别，所以这里我们设置为20。上面是我们利用神经网络进行分类，除此之外神经网络也能进行回归，回归问题预测一般都是连续值，一般我们进行分类对训练的模型评估标准是召回率，

这些搜索引擎其实是一个巨大的爬虫系统，根据公开的域名爬取网页，提取网页中的关键词，形成一个自己的索引数据库，当我们输入搜索内容的时候，就先会在其数据库中搜索，然后再按照相关性排序呈现给我们。第0篇就是第一篇，但是第一个词并不是该篇文章的第一个词，而是整个语料库的中的第一个值，也就是我们第二个输出，第一个词就是'document'，在代码中提到的稀疏矩阵，可以观察第一个输出的内容，只存该篇文章出现的

cv2.CHAIN_APPROX_SIMPLE:压缩模式，只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息。cv2.RETR_CCOMP:返回所有的轮廓，只建立两个等级的轮廓。而对象内部中空洞的轮廓为第2级组织结构，空洞中的任何对象的轮廓又是第1级组织结构。CV2.RETR_LIST:检测的轮廓不建立等级关系，所有轮廓属于同一等级。Cv2.RETR_TREE:返回所有的轮廓，建立一

然后可以看见github上有pr，然后创建一个pr请求，手动解决冲突然后合并分支删除分支，在本地执行回到原先状态。找到要删除的分支 → 点击右侧「⋯」→ 选择「Delete branch」；打开仓库页面 → 点击顶部「Code」→ 右侧「Branches」；确认删除即可（如果分支被保护，会提示无法删除）。需要现在本地进行先执行merge一下。批量删除本地已合并的分支。

函数三：统计某个文本在列表中出现的次数，输出参数有两个，第一是我们需要查的文本，第二个是我们查找的列表。定义控制警报器的命令，后续用来发送指令。说白了，这个函数的作用就是每隔30分钟自动重启一次摄像头（time.sleep（1800）），防止摄像头长时间运行出现卡死，掉帧，无响应等问题，定期重启可以释放内存资源，重置摄像头状态，避免程序崩溃，。函数四：计算OCR识别框的面积，输入就是OCR识别的四

out = net.forward()是执行神经网络的前向传播，输入数据经过网络各层计算，out是模型的原始输出，通常是多位数组，这里out是四维的B*C*H*W（B: batch图像数量（通常为1），C: channels通道数，H: height高度，W: width宽度）这里我们是对单张图片进行处理，批处理这个维度是不必要的为了后续方面所以这里我们转化为三维。结果转置一下数组（C,H,W）转

数据处理与投票机制，list_zong1，3次识别的原始结果（被装饰器控制），过滤掉只出现1次的结果（可能是误识别），set_bing替换掉易错的字符，然后取历史结果中出现最多的编码。摄像头2：3帧识别一次，一秒15帧，所以是5次每秒，摄像头3和摄像头2一样，这是。违规处理，触发报警，显示界面上的警告图标，触发报警器闪光，5000ms=5s，5秒后自动隐藏警告，关闭报警器。触发OCR识别，这里摄像

这里我们要介绍一下置信度的含义，置信度和准确率是不一样的。但是置信度高并不代码预测就是对的，置信度是模型训练之后，有一套自己的判断规则之后，进行预测一个新数据，他会有几个预测的结果，其中模型觉得哪个可能性最大就会输出哪个，所以置信度高只是模型自以为的可能性最大的结果。注意，这里我们的文件要在同目录下，上面也有说过，意思就是 下面这样，我们在1人脸识别这个代码中使用到了这个文件，如果直接写这个cv2

接收来自客户端的信息，24小时运行将模型部署起来对图片进行识别将识别结果返回给客户端# 读取图像文件# 预处理图像@app.route("/predict", methods=["POST"])：装饰器，将URL路径"/predict"与predict函数关联，并指定只处理POST请求data = {"success": False}：初始化返回数据，success默认为False。