1. 设备配置：优先使用 GPU（cuda），无 GPU 则用 CPUprint(f'使用设备: {device}')# 2. 初始化网络并加载参数model = CNN().to(device) # 实例化网络并移动到指定设备model.load_state_dict(torch.load("best_params.pth")) # 加载权重参数model.eval() # 切换为评估模式：关闭

数据预处理不是 “一次性操作”，而是需要根据数据类型、模型目标动态调整的过程。数据探索先行：不了解数据分布就处理，容易导致 “越处理越糟”；管道化封装：用将预处理步骤串联，避免数据泄露；可视化验证：关键步骤（如图像拼接、异常值检测）需可视化确认效果；参数调优：如 Canny 边缘检测的阈值、TF-IDF 的最大特征数，需结合业务调整。掌握这些方法后，你将能应对 90% 以上的数据预处理场景，为后续

数据预处理不是 “一次性操作”，而是需要根据数据类型、模型目标动态调整的过程。数据探索先行：不了解数据分布就处理，容易导致 “越处理越糟”；管道化封装：用将预处理步骤串联，避免数据泄露；可视化验证：关键步骤（如图像拼接、异常值检测）需可视化确认效果；参数调优：如 Canny 边缘检测的阈值、TF-IDF 的最大特征数，需结合业务调整。掌握这些方法后，你将能应对 90% 以上的数据预处理场景，为后续

本文通过实际代码案例，讲解了 OpenCV 中轮廓检测、轮廓近似、模板匹配等核心功能的实现，同时介绍了argparse模块的使用，帮助提升程序的灵活性。工业质检：通过轮廓检测判断产品是否存在缺陷。智能监控：通过模板匹配查找特定目标（如可疑物品）。机器人视觉：通过轮廓近似简化物体形状，便于机器人抓取。

给定训练集 {(xᵢ, yᵢ)}，i=1…n，其中 xᵢ∈ℝᵈ，yᵢ∈{+1,−1}。若存在超平面 w·x+b=0，使得。

本文从原理到代码，详细拆解了基于 Python+OpenCV 的实时文档扫描工具。核心是通过 “图像预处理→轮廓检测→透视矫正→二值化” 四步，将摄像头捕捉的文档转为清晰的电子扫描件。用排序文档四角，为透视变换打基础；用实现倾斜文档矫正，是扫描效果的核心；通过轮廓面积和边数筛选文档，确保检测准确性。如果你在实践中遇到 “文档检测不到”“扫描件模糊” 等问题，可尝试调整边缘检测阈值或面积阈值，也欢迎

通过本文的两段代码，我们不仅掌握了 OpenCV 的基本使用方法，还理解了人脸识别与微笑检测的核心逻辑 —— 从图像预处理（灰度化）到模型调用（分类器检测），再到结果可视化（标注与显示）。整个过程不需要复杂的数学知识，只要跟着步骤一步步调试，即使是编程新手也能快速实现功能。​计算机视觉的世界还有很多有趣的技术等待探索，比如目标跟踪、图像分割、物体识别等。希望本文能成为大家入门的起点，未来开发出更多

数据预处理是机器学习项目中至关重要的一环。通过系统性地清洗、转换和增强数据，我们可以显著提高模型的性能和鲁棒性。本文介绍的技术和代码示例为常见的数据预处理任务提供了实用指南，但实际应用中需要根据具体数据和问题进行调整和扩展。记住，没有放之四海而皆准的预处理方法，最佳策略往往来自于对数据的深入理解和不断的实验验证。

本项目使用PCA(主成分分析)对鸢尾花数据集进行降维处理，然后使用逻辑回归进行分类，并比较降维前后的分类效果。

PyTorch 提供了Dataset抽象类，我们通过继承该类，实现自定义的食品图像数据集，支持图像读取、数据增强与标签处理。为了提升模型泛化能力并统一输入格式，我们对训练集和验证集（测试集）分别定义数据变换操作，主要包括图像尺寸调整和张量转换。