python字典存放训练

python字典存放训练相关知识

• OpenCV-Python（3）训练一个人脸识别器

  想要能人脸识别，我们需要训练一个识别器处理。训练的话就需要之前已经标注好的训练集，在前一篇文章中，我们创建了一个已经标注好的训练集。现在，是时候用这个训练集来训练一个人脸识别器了。当然，是用OpenCV Python。 准备 首先，我们在（前一篇文章的）同目录下创建一个叫Python文件，名为trainner.py，用于编写数据集生成脚本。同目录下，创建一个文件夹，名为trainner，用于存放我们训练后的识别器。 现在，项目目录大概如此： 其他乱七八糟的文件、目录，都是之前的文章中创建的。
• 11.YOLOV3训练检测拾遗。

  训练配置以及检测我在上一篇文章里已经写过了，这里主要写一下可能会遇到的一些问题及解决方案。这里面要做的许多事情别人都已经是做过了的，我做一下总结而已。1. 保存训练日志以及训练日志可视化。1.1.保存训练日志。训练日志就是训练的时候输出的那一大堆东西，要总结实验结果，可视化训练日志的关键参数是一个很有效的方式，所以我们来做这个东西。YOLO的代码里是有保存训练日志的模块的，只需在训练的时候增加命令即可，最后面的参数则是保存的日志信息，保存了所有打印在终端里面的信息。./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74  2>1 | tee train_yolov3.log训练日志会保存在train_yolov3.log里面，日志名字和保存的位置自己定义就是，建议新建一个log文件夹来保存日志，我们后续建立的解析和可视化的代码也放在这个文件夹下面。1.2. 解析训练日志。先看下一个完整的batch会输出什么样
• Python进阶强化训练之数据结构与算法进阶

  手记来源于Python进阶强化训练一课，特此记录，以便于下次查找： 课程地址：http://coding.imooc.com/class/62.html 如何在列表、字典、集合中根据条件筛选数据？ 实际问题 过滤列表中的负数 筛选出字典种值高于90的项 筛选出集合种能被3整出的元素 围绕上面三个问题我们来进行讨论，比如下面有一个列表： >>> from random import randint >>> li = [randint(-10, 10) for _ in range(10)] >>> li [-10, -9, 1, 10, -3, -7, -6, -7, 4, -5] 我们常规的做法就
• tesseract_ocr训练字库、合并字库

  谷歌的开源框架 tesseract-ocr可以帮助我们进行识别图像，文字等等，tesseract可以识别多种语言(一些常用的语言)，多种图片格式，非常强大。首先体验一下tesseract的强大功能，先安装 tesseract_ocr ,下载地址为http://code.google.com/p/tesseract-ocr/，请务必下载3.0.1版本，我前面下的最新3.0.2版本，生成字符特征命令不能通过，最后勉强解决了，生成的字典识别出来的都是空字符安装完成之后 看下根目录tessdata文件夹主要存放字典文件，只要把字典文件放进去，就可以用tesseract 识别相关语言的文字现在先来识别一张图片把他放入任意一个文件夹，cmd 命令cd到图片放置的目录，然后执行[code]  [html] view plain copy print?tesseract 1.jpg 1tesseract 1.jpg 1  可以看到文件夹下 生成

python字典存放训练相关课程

• JavaScript玩转机器学习-Tensorflow.js项目实战 专为前端工程师准备的AI课程来了！课程以Tensorflow.js作为主要框架，通过十几个经典案例、覆盖神经网络和机器学习的理论知识、带你亲手完成图片分类与语音识别等落地项目，帮你理清整个学习体系。

  讲师：lewis 初级 526人正在学习

• 破解JavaScript高级玩法，成为精通 JS 的原生专家 “前端那么多好用的框架，JS 差不多学下就行了吧？”——当然不行。市场上的高级前端开发者，无不是精通 JS 的“原生专家派”。究其原因，其实就是 JavaScript 作为前端基础语言，也是各大主流框架的编程语言，是前端技术中的“不变底层”之一。学透 JS ，不仅是掌握一门脚本语言，还能够拓展前端认知，助你在大牛成长之路上达到事半功倍的效果。

  讲师：Cloud 中级 470人正在学习

• Google老师亲授 TensorFlow2.0 入门到进阶 课程以Tensorflow2.0为主体，以图像分类、房价预测、文本分类、文本生成、机器翻译、泰坦尼克生存预测等项目为依托，讲解Tensorflow框架的使用方法，让学员获得灵活使用Tensorflow的能力，达到初级深度学习工程师的水平。

  讲师：正十七 中级 1808人正在学习

python字典存放训练相关教程

• 5. 可视化训练过程 在上一步之中，我们特地将训练过程的数据记录进了 history 对象之中；history 对象中的 history 数据对象是一个字典型的结构，其中包含了我们在训练过程中的准确率与损失值等等。于是我们将其可视化：acc = history.history['accuracy']loss = history.history['loss']val_acc = history.history['val_accuracy']val_loss = history.history['val_loss']plt.plot(range(EPOCHS), acc, label='Train Acc')plt.plot(range(EPOCHS), val_acc, label='Valid Acc')plt.show()plt.plot(range(EPOCHS), loss, label='Train Loss')plt.plot(range(EPOCHS), val_loss, label='Valid Loss')plt.show()在这里我们使用了两个图表，第一个图片展示准确率的变化，第二个图片展示损失值的变化。由此我们可以得到以下两张图片：由此可以看出，随着训练的不断迭代，训练集合上的准确率不断上升，损失值不断下降；但是验证集上的准确率在第 3 个 Epoch 以后便趋于平稳，而损失值却在第 3 个 Epoch 之后逐渐上升。这就是我们在训练过程中遇到的过拟合，我们以后会有课程详细介绍过拟合。
• 6. 字典 字典由键和对应值成对组成，字典中所有的键值对放在 {} 中间，每一对键值之间用逗号分开，例如：{‘a’:‘A’, ‘b’: ‘B’, ‘c’:‘C’}字典中包含3个键值对键 ‘a’ 的值是 ‘A’键 ‘b’ 的值是 ‘B’键 ‘c’ 的值是 ‘C’{1:100, 2: 200, 3:300}字典中包含3个键值对键 1 的值是 100键 2 的值是 200键 3 的值是 300字典通常用于描述对象的各种属性，例如一本书，有书名、作者名、出版社等各种属性，可以使用字典描述如下：>>> book = {'title': 'Python 入门基础', 'author': '张三', 'press': '机械工业出版社'}>>> book['title']'Python 入门基础'>>> book['author']'张三'>>> book['press']'机械工业出版社'在第 1 行，创建了一个字典用于描述一本书在第 2 行，使用字符串 ‘title’ 作为键（索引）访问字典中对应的值在第 4 行，使用字符串 ‘author’ 作为键（索引）访问字典中对应的值在第 6 行，使用字符串 ‘press’ 作为键（索引）访问字典中对应的值
• 1. 字典简介 字典由键和对应值成对组成，字典中所有的键值对放在 {} 中间，每一对键值之间用逗号分开，例如：{‘a’:‘A’, ‘b’: ‘B’, ‘c’:‘C’}字典中包含 3 个键值对键 ‘a’ 的值是 ‘A’键 ‘b’ 的值是 ‘B’键 ‘c’ 的值是 ‘C’{1:100, 2: 200, 3:300}字典中包含 3 个键值对键 1 的值是 100 键 2 的值是 200 键 3 的值是 300字典通常用于描述对象的各种属性，例如一本书，有书名、作者名、出版社等各种属性，可以使用字典描述如下：>>> book = {'title': 'Python 入门基础', 'author': '张三', 'press': '机械工业出版社'}>>> book['title']'Python 入门基础'>>> book['author']'张三'>>> book['press']'机械工业出版社'在第 1 行，创建了一个字典用于描述一本书；在第 2 行，使用字符串 ‘title’ 作为键（索引）访问字典中对应的值；在第 4 行，使用字符串 ‘author’ 作为键（索引）访问字典中对应的值；在第 6 行，使用字符串 ‘press’ 作为键（索引）访问字典中对应的值。
• 4. 训练模型 在训练模型的时候，我们会使用之前定义好的图片数据迭代器，同时将训练数据保存在 history 对象之中：history = model.fit_generator( train_data_generator, steps_per_epoch=TRAIN_NUM // BATCH_SIZE, epochs=EPOCHS, validation_data=valid_data_generator, validation_steps=VALID_NUM // BATCH_SIZE)通过训练，我们可以得到以下的输出：Epoch 1/1531/31 [==============================] - 41s 1s/step - loss: 0.7072 - accuracy: 0.5134 - val_loss: 0.6650 - val_accuracy: 0.5167Epoch 2/1531/31 [==============================] - 40s 1s/step - loss: 0.6540 - accuracy: 0.5826 - val_loss: 0.6381 - val_accuracy: 0.5448Epoch 3/1531/31 [==============================] - 39s 1s/step - loss: 0.5780 - accuracy: 0.6844 - val_loss: 0.5859 - val_accuracy: 0.7208Epoch 4/1531/31 [==============================] - 40s 1s/step - loss: 0.5245 - accuracy: 0.7485 - val_loss: 0.5550 - val_accuracy: 0.6719Epoch 5/1531/31 [==============================] - 40s 1s/step - loss: 0.4673 - accuracy: 0.7645 - val_loss: 0.5654 - val_accuracy: 0.6865Epoch 6/1531/31 [==============================] - 40s 1s/step - loss: 0.3968 - accuracy: 0.8110 - val_loss: 0.5929 - val_accuracy: 0.7208Epoch 7/1531/31 [==============================] - 40s 1s/step - loss: 0.3216 - accuracy: 0.8492 - val_loss: 0.6224 - val_accuracy: 0.7104Epoch 8/1531/31 [==============================] - 40s 1s/step - loss: 0.2577 - accuracy: 0.8879 - val_loss: 0.6871 - val_accuracy: 0.7115Epoch 9/1531/31 [==============================] - 40s 1s/step - loss: 0.2204 - accuracy: 0.9060 - val_loss: 0.6982 - val_accuracy: 0.7250Epoch 10/1531/31 [==============================] - 40s 1s/step - loss: 0.1633 - accuracy: 0.9329 - val_loss: 0.9962 - val_accuracy: 0.6896Epoch 11/1531/31 [==============================] - 40s 1s/step - loss: 0.1371 - accuracy: 0.9489 - val_loss: 0.8724 - val_accuracy: 0.6990Epoch 12/1531/31 [==============================] - 40s 1s/step - loss: 0.0937 - accuracy: 0.9654 - val_loss: 1.1101 - val_accuracy: 0.7052Epoch 13/1531/31 [==============================] - 40s 1s/step - loss: 0.0640 - accuracy: 0.9742 - val_loss: 1.0343 - val_accuracy: 0.7083Epoch 14/1531/31 [==============================] - 40s 1s/step - loss: 0.0449 - accuracy: 0.9866 - val_loss: 1.1627 - val_accuracy: 0.7167Epoch 15/1531/31 [==============================] - 40s 1s/step - loss: 0.0199 - accuracy: 0.9954 - val_loss: 1.2627 - val_accuracy: 0.7156输出准确率与损失值因人而异，在这里我们在训练集合上得到了 99.54% 的准确率，在验证集上得到了 71.56% 的准确率。
• 2. 在训练结束后保存模型参数、加载模型参数 我们可以在训练之前直接保存模型参数，但是因为这样的参数是未经过训练的，因此没有太有价值的意义，因此我们在保存模型之前要先训练模型。我们可以通过以下代码来训练模型：# 训练模型model.fit(x_train, y_train, epochs=5)训练的过程之中我们可以得到如下的输出：Epoch 1/51875/1875 [==============================] - 4s 2ms/step - loss: 0.4870 - accuracy: 0.8288Epoch 2/51875/1875 [==============================] - 5s 2ms/step - loss: 0.3616 - accuracy: 0.8679Epoch 3/51875/1875 [==============================] - 4s 2ms/step - loss: 0.3256 - accuracy: 0.8795Epoch 4/51875/1875 [==============================] - 4s 2ms/step - loss: 0.3006 - accuracy: 0.8883Epoch 5/51875/1875 [==============================] - 4s 2ms/step - loss: 0.2867 - accuracy: 0.8931
• Python 数据类型详细篇：字典 前面的几个小节我们分别学习了字符串、列表、和元组等等几种 Python 中的基础数据类型，这节课我们来学习 Python 中另一个比较重要的数据类型–字典，字典和其他我们已经学习过的数据类型都有些不一样，具体不一样在哪里我们一起来看一下：

python字典存放训练相关搜索

pack package package文件 padding pages page对象 panda panel panel控件 param parameter parcel parent parentnode parents parse parse error parseint partition pascal

查看更多慕课网实用课程