用python对图片进行CNN机器学习分类时，图片格式的不同会对学习的结果造成影响吗？_course

我从许多大的图片上扣下了许多小图，并且保存成了.png格式，也做好了标签，将要进行监督学习。 我突然想起来了不同格式的图片是否会影响学习的准确性？我是应该把图片统一保存成.png呢，还是.jpg，或者其他什么格式？ 我就想让机器学习更加准确一些！ 请求大神们告知，不胜感激！第一次在该网站发布，还没有悬赏积分，敬请谅解！以后常来，慢慢就有积分了。

如何对多图片进行聚类_course

目前遇到的问题是这样，比如我有十张图片，我希望对着十张图片进行聚类，每一次聚类更新一次聚类中心，最后得到十张图所得到的聚类中心，但是目前问题是如何覆盖已有的聚类中心呢？也就是每次聚类之后如何替换之前的聚类中心？？希望各位帮帮忙~~感谢

关于机器学习中垃圾图像识别的特征提取问题。_course

如题，想用： **决策树、朴素贝叶斯和SVM**这三个传统机器学习算法，对github上的garythung的垃圾数据集进行识别分类。 1.但是对于图像预处理的特征提取有点云里雾里的，应该选取什么特征比较好啊？看了很多大神分享的博客，发现大家都是图像预处理之后，选择神经网络CNN进行训练的，无需特征提取。 所以有点困惑，了解到的有HOG,SIFT特征。 2.对于传统的机器学习算法，一定要进行特征提取吗？一些颜色特征、边缘特征也可以吗？这些颜色边缘一类的特征如何进行提取呢？也是使用opencv吗？ 万分感谢万分感谢

新手求教 用sift处理后的图片得到的特征矩阵大小为什么不相同？_course

刚开始学习图片处理没多久，恳请各位大佬指教。图片已经灰度处理，也用resize统一了图片的尺寸。为什么使用尺度不变特征变换后得到的特征矩阵行数不同？如何处理？ ``` sift = cv2.xfeatures2d.SIFT_create() des_list = [] index=0 for image_path in image_paths: if index<2: im_bgr = cv2.imread(image_path) im_gra=cv2.cvtColor(im_bgr,cv2.COLOR_BGR2GRAY) im_new=cv2.resize(im_gra,(600,600)) kpts = sift.detect(im_new) kpts, des = sift.compute(im_new, kpts) des_list.append((image_path, des)) print("image file path : ", image_path) del im_new,kpts, des gc.collect() index = index + 1 print(index) descriptors = des_list[0][1] for image_path, descriptor in des_list[1:]: descriptors = np.vstack((descriptors, descriptor)) ``` index为1时，处理第一张图片矩阵大小是[1739, 12000]。index为2时处理两张图片矩阵大小是[2231, 12000]，明显不成倍数。

机器学习预测犯罪发生概率，但收集到的犯罪数据已经发生概率都是100%，怎么预测？_course

各位大神，最近在做毕设，之前没有怎么接触过机器学习，在网上找了一些机器学习的网课看，但是在做的时候还是有好多问题，麻烦帮帮这个我小白吧 # 问题详细描述 这个机器学习的任务就是：输入时间，地点等信息，预测每种犯罪类型发生的概率。但现在有个问题我一直没想通，就是我收集到的数据都是已经发生过的犯罪事实，那他们发生的概率都是100%，这样的话，不就相当于预测房价的时候，数据集里房间大小、地理位置等不一样，但房价都是一样的，然后用这样一个数据集来训练模型。这样的话，要怎么预测啊，数据集不会存在数据并不平衡的情况吗，但是我也没有办法找到犯罪发生概率在0-100之间的数据啊，发生了就是100%，没发生就是0%，这要怎么搞？ <br/> 这是我稍微处理后的数据集截图，最后面还有一列Ratio，就是犯罪概率，都是赋值的100% 

tensoflow的训练图片和预测图片尺寸必须一致吗？_course

# tensoflow的训练图片和预测图片尺寸必须一致吗？ ## 要预测一张尺寸比较大的图片上的所有物体应该怎么处理

python opencv 图片前景与背景的分割，拜大神求如何改错_course

在网上找到了一个用Kmeans算法对图片前景与背景的分割的例子，很适合现在的学习，可一直有一个错误不会修改，跪求大神了。 ``` ```# -*- coding: utf-8 -*- import cv2 import numpy as np import math def panelAbstract(srcImage): # read pic shape imgHeight,imgWidth = srcImage.shape[:2] imgHeight = int(imgHeight);imgWidth = int(imgWidth) # 均值聚类提取前景:二维转一维 imgVec = np.float32(srcImage.reshape((-1,3))) criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER,10,1.0) flags = cv2.KMEANS_RANDOM_CENTERS label,clusCenter = cv2.kmeans(imgVec,2,None,criteria,10,flags) clusCenter = np.uint8(clusCenter) clusResult = clusCenter[label.flatten()] imgres = clusResult.reshape((srcImage.shape)) imgres = cv2.cvtColor(imgres,cv2.COLOR_BGR2GRAY) bwThresh = int((np.max(imgres)+np.min(imgres))/2) _,thresh = cv2.threshold(imgres,bwThresh,255,cv2.THRESH_BINARY_INV) threshRotate = cv2.merge([thresh,thresh,thresh]) # 确定前景外接矩形 #find contours contours = cv2.findContours(thresh,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE) minvalx = np.max([imgHeight,imgWidth]);maxvalx = 0 minvaly = np.max([imgHeight,imgWidth]);maxvaly = 0 maxconArea = 0;maxAreaPos = -1 for i in range(len(contours)): if maxconArea < cv2.contourArea(contours[i]): maxconArea = cv2.contourArea(contours[i]) maxAreaPos = i objCont = contours[maxAreaPos] # 旋转校正前景 rect = cv2.minAreaRect(objCont) for j in range(len(objCont)): minvaly = np.min([minvaly,objCont[j][0][0]]) maxvaly = np.max([maxvaly,objCont[j][0][0]]) minvalx = np.min([minvalx,objCont[j][0][1]]) maxvalx = np.max([maxvalx,objCont[j][0][1]]) if rect[2] <=-45: rotAgl = 90 +rect[2] else: rotAgl = rect[2] if rotAgl == 0: panelImg = srcImage[minvalx:maxvalx,minvaly:maxvaly,:] else: rotCtr = rect[0] rotCtr = (int(rotCtr[0]),int(rotCtr[1])) rotMdl = cv2.getRotationMatrix2D(rotCtr,rotAgl,1) imgHeight,imgWidth = srcImage.shape[:2] #图像的旋转 dstHeight = math.sqrt(imgWidth *imgWidth + imgHeight*imgHeight) dstRotimg = cv2.warpAffine(threshRotate,rotMdl,(int(dstHeight),int(dstHeight))) dstImage = cv2.warpAffine(srcImage,rotMdl,(int(dstHeight),int(dstHeight))) dstRotimg = cv2.cvtColor(dstRotimg,cv2.COLOR_BGR2GRAY) _,dstRotBW = cv2.threshold(dstRotimg,127,255,0) contours = cv2.findContours(dstRotBW,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE) maxcntArea = 0;maxAreaPos = -1 for i in range(len(contours)): if maxcntArea < cv2.contourArea(contours[i]): maxcntArea = cv2.contourArea(contours[i]) maxAreaPos = i x,y,w,h = cv2.boundingRect(contours[maxAreaPos]) #提取前景：panel panelImg = dstImage[int(y):int(y+h),int(x):int(x+w),:] return panelImg if __name__=="__main__": srcImage = cv2.imread('11.jpg') a=panelAbstract(srcImage) cv2.imshow('figa',a) cv2.waitKey(0) cv2.destroyAllWindows() 这是原地址https://blog.csdn.net/Dawn__Z/article/details/82115160 报错如下（知道错是什么意思就是不会改）：Traceback (most recent call last): File "D:\Workspaces\MyEclipse 2015\pythonTest\src\cc.py", line 70, in a=panelAbstract(srcImage) File "D:\Workspaces\MyEclipse 2015\pythonTest\src\cc.py", line 7, in panelAbstract imgHeight,imgWidth = srcImage.shape[:2] AttributeError: 'NoneType' object has no attribute 'shape'

pytorch机器学习实现验证码识别，现在图片尺寸100*38，batch_size取6，定义网络如图，但是在全连接层报错，请问是哪里算错了，正确应该怎么写？_course

##pytorch机器学习实现验证码识别，现在图片尺寸100*38，batch_size取6，定义网络如图，用了三个卷积，三个池化，卷积保持宽高不变，池化让宽高变为一半：  ## 但是运行后在全连接层报错：  ## 请教大佬，是哪里算错了，正确应该在全连接层怎么写？

机器学习模型及其算法的框架疑问_course

刚开始学机器学习，对其中的模型及其适用的算法，都有些没搞明白。。也努力去看了些文章，还是越高越迷糊。。求高手指点一二。。 我自己弄了下大致框架，就是想知道到底哪些模型，适用哪些算法？（这个神经网络，按正常分类，应该属于深度学习范畴的，到底属于生成法还是判别法，还是都不算？） 现在什么梯度下降法，极大似然估计，最小二乘法，核函数等，简直把我搞晕了。。 

机器学习Regularized的问题_course

 我百度、谷歌也没有解析。为什么答案选A

通过机器学习 或opencv 如何识别到图中的模型_course

 通过什么算法可以识别处红色部分的模块

数据分析数据结构，有没有相关的机器学习算法？ 急求大神指点_course

比如一个表格，用ocr识别后，内容很乱，希望恢复成原有的数据结构。 对于这种事情，有相应的机器学习方法吗？ 急切求助，非常感谢。 比如：  恢复数据结构为 [1,BAST,谷草转氨酶,21,**<37,IU/L] 即，恢复为原有的数组形式**

提取图片sift特征数目不一样，如何处理用来机器学习训练_course

我想做一个车牌识别系统，有单独的字符训练集，先提取图片的sift特征，然后用svm训练 ，可是提取出来的特征数不一样，无法训练，希望哪位大神能提供一些处理的思路，非常感谢

怎么对机器学习后的的acc和epoch进行绘图啊_course

这些就是机器学习后的结果。 我想以epoch为横轴，acc为纵轴形成一个折线图，请问怎么写呢？

机器学习里基础公式的求证_course

 问一下各位大佬，一个机器学习很简单的问题。。。谁能帮我一下？ 就是求出这个exact solution 的步骤，图中标问号的是怎么求得的。。。

机器学习中整合不同预测方法的公式的含义_course

我运用机器学习的方法来预测两个蛋白质是否互作，而目前有4种基于氨基酸序列的编码方法结合SVM构成4种预测方法。我参考了别人的文献用下面的公式对4种方法进行一个整合，希望整合后能够比单种预测方法的预测精度要高。 每一个样本运用的公式如下：  这里的s_i指的是每个样本用第i种方法预测后的得分，〖AUC〗_i指的是所有样本用第i种预测方法预测后的得分做出ROC曲线下的面积，s ̂为整合后每个样本的分数。 我不明白的地方是，这两个公式背后到底蕴含着什么意义和道理，为何要这样进行处理？

机器学习 + Opencv 的图像识别 （Android平台）_course

Android Opencv 图像识别程序在 JNI 的运行过程中，我的一加3手机可以迅速运行JNI中的C 代码，但换作其它手机，比如小米6、小米5s、华为荣耀8、华为mate8等等，都无法运行。顺带一提，个人使用Opencv 识别，还使用了机器学习后的XML文件，是否跟谷歌提供的手机架构不同，就无法运行类似的程序？还是有其他原因？

硬盘坏道检测都是损坏是不是没救了？_course


机器学习朴素贝叶斯（NB）问题扩展_course


专为程序员设计的数学课_course

<p> 限时福利限时福利，<span>15000+程序员的选择！</span> </p> <p> 购课后添加学习助手（微信号：csdn590），按提示消息领取编程大礼包！并获取讲师答疑服务！ </p> <p> <br> </p> <p> 套餐中一共包含5门程序员必学的数学课程（共47讲） </p> <p> 课程1：《零基础入门微积分》 </p> <p> 课程2：《数理统计与概率论》 </p> <p> 课程3：《代码学习线性代数》 </p> <p> 课程4：《数据处理的最优化》 </p> <p> 课程5：《马尔可夫随机过程》 </p> <p> <br> </p> <p> 哪些人适合学习这门课程？ </p> <p> 1）大学生，平时只学习了数学理论，并未接触如何应用数学解决编程问题； </p> <p> 2）对算法、数据结构掌握程度薄弱的人，数学可以让你更好的理解算法、数据结构原理及应用； </p> <p> 3）看不懂大牛代码设计思想的人，因为所有的程序设计底层逻辑都是数学； </p> <p> 4）想学习新技术，如：人工智能、机器学习、深度学习等，这门课程是你的必修课程； </p> <p> 5）想修炼更好的编程内功，在遇到问题时可以灵活的应用数学思维解决问题。 </p> <p> <br> </p> <p> 在这门「专为程序员设计的数学课」系列课中，我们保证你能收获到这些:<br> <br> <span> </span> </p> <p class="ql-long-24357476"> <span class="ql-author-24357476">①价值300元编程课程大礼包</span> </p> <p class="ql-long-24357476"> <span class="ql-author-24357476">②应用数学优化代码的实操方法</span> </p> <p class="ql-long-24357476"> <span class="ql-author-24357476">③数学理论在编程实战中的应用</span> </p> <p class="ql-long-24357476"> <span class="ql-author-24357476">④程序员必学的5大数学知识</span> </p> <p class="ql-long-24357476"> <span class="ql-author-24357476">⑤人工智能领域必修数学课</span> </p> <p> <br> 备注：此课程只讲程序员所需要的数学，即使你数学基础薄弱，也能听懂，只需要初中的数学知识就足矣。<br> <br> 如何听课？ </p> <p> 1、登录CSDN学院 APP 在我的课程中进行学习； </p> <p> 2、登录CSDN学院官网。 </p> <p> <br> </p> <p> 购课后如何领取免费赠送的编程大礼包和加入答疑群？ </p> <p> 购课后，添加助教微信：<span> csdn590</span>，按提示领取编程大礼包，或观看付费视频的第一节内容扫码进群答疑交流！ </p> <p> <img src="https://img-bss.csdn.net/201912251155398753.jpg" alt=""> </p>