|
|
1，public class Ma implements OutBack {
|
|
|
private int nub;
|
|
|
|
|
|
public void setNub(int nub) {
|
|
|
this.nub = nub;
|
|
|
}
|
|
|
|
|
|
@Override
|
|
|
public void getBack(double out, int id, long eventId) {
|
|
|
System.out.println("id==" + id + ",out==" + out + ",nub==" + nub);
|
|
|
}
|
|
|
}
|
|
|
回调类实现OUTBACK 接口 当检测结果输出的时候 会回调getBack方法
|
|
|
回调第一个参数是输出值 指的是 这个分类的概率 该数值是0-1之间的浮点
|
|
|
第二个参数是 分类的id 判断是训练的哪个分类的ID，
|
|
|
第三个参数是 事件ID,一次判断事件 使用一个ID,让开发者知道是哪次事件的回调判断
|
|
|
2，templeConfig.setDeep(2); 全连接层深度说明
|
|
|
这就像人类大脑的意识深度原理一样，深度学习越深，训练结果越准，但是训练量成几何倍数增加
|
|
|
比如默认深度是2 需要 正负模板各一千+张照片进行训练。识别率70%（只是举个例子，不是真实识别率）
|
|
|
当深度改成3，则需要正负模板各三千+张照片进行训练,识别率 80%
|
|
|
深度4，八千+90%
|
|
|
以此类推，，内存允许的情况下，深度无限 识别率无限接近与百分之百
|
|
|
但是有极限，即超过某个深度，即使再增加深度，识别率反而会下降。需要具体不断尝试找到 合适的深度
|
|
|
注意：若深度提升，训练量没有成倍增长，则准确度反而更低！
|
|
|
3, templeConfig.setClassificationNub(1);设置有几种分类
|
|
|
如果你只要识别一种分类 例如 一个苹果，那么就写1
|
|
|
如果是 一个苹果 还有香蕉，两种分类 就写2
|
|
|
4,
|
|
|
//设置图像行列比例的行，默认为5 选填
|
|
|
templeConfig.setRow(5);
|
|
|
//设置图像行列比例的列，默认为3 选填
|
|
|
templeConfig.setColumn(3);
|
|
|
图片长宽比，不写默认是row 5, column 3
|
|
|
这个默认值是按照现在手机竖直的图片的长宽比，目前都是这个数值，横过来的话就是 3：5
|
|
|
如果不是手机竖直尺寸的图像，且并不确定比例，建议写5：5
|
|
|
因为算法会对进行图像进行压缩后，进入矩阵，压缩有会有一个默认的矩阵大小，最小压缩到5像素
|
|
|
所以设置这个，最好要有一个值写5，另外一个自定义，如果不知道就写 5：5
|
|
|
5, Map<Integer, Double> rightTagging = new HashMap<>();//分类标注
|
|
|
rightTagging.put(1, 1.0);
|
|
|
rightTagging.put(2, 0.0);
|
|
|
给训练图像进行标注，健是分类的ID,对应的就是输出结果的ID值，值要么写0要么写1
|
|
|
1就是 是这种分类，0就是不是这种分类
|
|
|
例如上面的标注了 该标注是 第一种分类 true,第二种分类FALSE
|
|
|
将图像转化成矩阵
|
|
|
注意：目前版本该框架，只识别当前图像的灰度图像，对RGB图像进行了降维
|
|
|
对颜色失去一定的敏感度，所以主要针对物体形状，边缘，若对颜色敏感，请等待后续版本
|
|
|
Matrix right = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/c/c" + i + ".png");
|
|
|
拿到这个矩阵之后，进行下一步计算
|
|
|
6, templeConfig.initNerveManager(true);//对模板初始化
|
|
|
若第一次学习参数就是true,学习是很慢的,非常考验性能，目前该包没有引入JCUDA(java 显卡GPU运算包)
|
|
|
所以目前使用的是cpu版本,对cpu来说检测单张图片的性能是可以满足的
|
|
|
学习就是学的模型参数，学完了要把模型参数拿出来，下次直接注入就可，
|
|
|
模型参数提取还没来得及封装，下一步封装，现在手动提取，有点麻烦
|
|
|
|
