又和同學肝了半個上午（主要是一二節有課），完成了天氣圖像識別的第二期練習
一開始幾個題不難，挺簡單的，到后面出現HOG特征擬合svm模型，HOG提取特征，又是現學內容
HOG特征的維數用cv2.HOGDescriptor()來做
最后用shape來反應維數

import cv2 import matplotlib.pyplot as plt img=cv2.imread('/home/kesci/input/weather_image1552/訓練集/100.jpg',0) plt.imshow(img) hg=cv2.HOGDescriptor() winSreide=(64,64) padding=(16,16) hg.getDescriptorSize() hgg=hg.compute(img,winSreide,padding) hgg.shape

還有個題是的HOG特征擬合svm模型得到的模型的第一個系數是多少?
這個第一個系數屬實把我倆看懵逼了，啥玩意？？最后找了一陣子資料都沒有找到關于第一個系數的相關知識，發現下面有個求得分的于是我們先轉移目標
訓練得分題一般都是滿分是1分，題目要求保留小數點后一點，那答案蒙也能蒙出來，但是抱著學習的態度決定先算算

主要為這幾部分：

svm = SVM(max_iter=200)

這個是最大迭代次數，可以理解成訓練多少次

svm.fit(X_train, y_train)

這是訓練部分
‘train done!’

svm.score(X_test, y_test)

這是用模型來檢驗成績

官方資料顯示：基于SVM的圖像分類需要依靠HOG提取的特征，擬合模型時將HOG提取出的特征向量作為X，將樣本的類別標簽作為y
而上一題我們已經求出特征向量，而題目的樣本類別標簽也已經給出，我們要做的就是將兩者一一對等連接起來，并進行訓練
而在本題中X_train=X_test，Y也是一樣，大致思路這樣
但是過程中出現很多小問題，比如格式不對等，以及題目要求kernel的類型和svm的隨機態設置為2020，這些在SVC的函數中直接修改即可

clf = SVC(kernel='linear',random_state=2020) import cv2 import matplotlib.pyplot as plt import numpy as np import json with open('/home/kesci/input/weather_image1552/train.json','r') as f:js_data=json.load(f) cnt=0 mp={'sunny':0,'cloudy':1} js_pic=[] js_lab=[] for key in js_data:if(cnt<10):js_pic.append(key)js_lab.append(mp[js_data[key]])cnt+=1 # for i in range(len(v_pic)): # print(v_pic[i],v_lab[i]) prePath='/home/kesci/input/weather_image1552/訓練集/' features=[] for i in range(len(js_pic)):img=cv2.imread(prePath+js_pic[i],0)# plt.imshow(img)dsize=(100,128)img_rs=cv2.resize(img,dsize)hg=cv2.HOGDescriptor()# winFt=hg.getDescriptorSize()hog=hg.compute(img_rs).reshape(-1)print(hog)features.append(hog) # for i in range(10):from sklearn.svm import SVC clf = SVC(kernel='linear',random_state=2020) feature=np.array(features) label=np.array(js_lab) # feature = np.concatenate(feature, axis=0) # label = np.concatenate(label, axis=0) clf.fit(feature, label) clf.score(feature, label)

到此天氣識別和疾病分析的前兩個部分都已經完成，最后一部分就是真槍實彈，直接寫完整程序來判斷天氣或疾病情況，等明天繼續開干，奧利給

總結

以上是生活随笔為你收集整理的人工智能——图像分析第二期练习的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。