3.1Regression回归import torchimport torch.nn.functional as Ffrom torch.autograd import Variableimport matplotlib.pyplot as plt"""创建数据"""x = torch.unsqueeze(torch.linspace(-1,1,100),dim=1)y = x.pow(2) +

用最简单的办法实现彩色图像灰度化和二值化：首先采用skimage库（skimage库现在在scikit_image库中）实现：from skimage.color import rgb2grayimport numpy as npimport matplotlib.pyplot as pltplt.subplot(221)#使用plt.subplot来创建小图. plt.subplot(221)表

Mobilenet概念：MobileNet模型是Google针对手机等嵌入式设备提出的一种轻量级的深层神经网络，其使用的核心思想便是depthwise separable convolution。Mobilenet思想：通俗地理解就是3x3的卷积核厚度只有一层，然后在输入张量上一层一层地滑动，每一次卷积完生成 一个输出通道，当卷积完成后，在利用1x1的卷积调整厚度。对于一个卷积点而言： 假设有一个

import tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt#使用numpy生成200个随机点x_data=np.linspace(-0.5,0.5,200)[:,np.newaxis]noise=np.random.normal(0,0.02,x_data.shape)y_data=np.square(x_dat

import tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt#使用numpy生成200个随机点x_data=np.linspace(-0.5,0.5,200)[:,np.newaxis]noise=np.random.normal(0,0.02,x_data.shape)y_data=np.square(x_dat

opencv大坑之BGRopencv对于读进来的图片的通道排列是BGR，而不是主流的RGB！谨记！#opencv读入的矩阵是BGR，如果想转为RGB，可以这么转img = cv2.imread('1.jpg')img = cv2.cvtColor(img4,cv2.COLOR_BGR2RGB)

一，卷积神经网络（LeNet）LeNet分为卷积层块和全连接层块两个部分。下面我们分别介绍这两个模块。卷积层块里的基本单位是卷积层后接最大池化层：卷积层用来识别图像里的空间模式，如线条和物体局部，之后的最大池化层则用来降低卷积层对位置的敏感性。卷积层块由两个这样的基本单位重复堆叠构成。在卷积层块中，每个卷积层都使用 5×5 的窗口，并在输出上使用sigmoid激活函数。第一个卷积层输出通道数为6，

上采样与下采样概念：上采样：放大图像（或称为上采样（upsampling）或图像插值（interpolating））的主要目的 是放大原图像,从而可以显示在更高分辨率的显示设备上。下采样：缩小图像（或称为下采样（subsampled）或降采样（downsampled））的主要目的 有两个：1、使得图像符合显示区域的大小；2、生成对应图像的缩略图。实现方法：上采样原理：内插值下采样原理：(M/s)

SIFT概念：Sift（尺度不变特征变换），全称是Scale Invariant Feature Transform Sift提取图像的局部特征，在尺度空间寻找极值点，并提取出其位置、尺度、方向信息。Sfit的应用范围包括 物体辨别、机器人地图感知与导航、影像拼接、3D模型建立、手势识别、影像追踪等。Sift特征的特点：1.对旋转、尺度缩放、亮度变化保持不变性，对视角变化、噪声等也存在一定程度的稳

图像相似度比较哈希算法:什么是哈希（Hash）？• 散列函数（或散列算法，又称哈希函数，英语：Hash Function）是一种从任何一种数据中创建小 的数字“指纹”的方法。散列函数把消息或数据压缩成摘要，使得数据量变小，将数据的格式固定 下来。该函数将数据打乱混合，重新创建一个叫做散列值（hash values，hash codes，hash sums， 或hashes）的指纹。散列值通常用一个