张量表示图片：缩放图片到统一大小：数据格式

目录一、神经网络架构1、结构与意义2、过程1、输入数据，得到输入层2、得到隐藏层13、得到隐藏层24、得到输出层二、神经元数量一、神经网络架构1、结构与意义神经网络一层一层地处理。输入层（input layer）有多少个圈，代表输入数据多少。隐层没有特定的含义，它只是一个数值，便于计算机更好地认识，隐层和每个输入层全连接。2、过程1、输入数据，得到输入层2、得到隐藏层1先输入数据，通过输入层[1*

目录一、读取数据二、设置特征值和目标值三、数据处理1、缺失值处理2、特征值转换为字典四、划分数据集五、特征工程（特征值提取）六、获取决策树预估器，训练七、模型评估方法一：比对方法二：计算得分总代码一、读取数据资源下载链接1（推荐）：https://download.csdn.net/download/great_yzl/22363793资源下载链接2（不推荐）：https://pan.baidu.

目录一、基础理论二、实战1、对x方向微分2、对y方向微分3、线性混合总代码参考资料一、基础理论Sobel算子：用于边缘检测的离散微分算子。梯度公式：对于图像而言，它是离散的，所以h的最小值只能是1了，那么这意味着，图像中某个像素位置的梯度（以x方向为例）等于它左右两个像素点的像素之差除以2。例：假设有一行像素是这样分布的：123 155 173那么，像素值为155的像素位置x方向的梯度为（173

目录基础理论一、生成验证码数据集1、生成验证码训练集1-0、判断文件夹是否为空1-1、创建字符集（数字、大小写英文字母）1-2、随机生成验证码（1000个，长度为4）2、生成验证码测试集代码二、获取数据（训练集、测试集）1、获取数据和标签1-1、获取训练集数据和标签（路径和标签）1-2、获取测试集数据和标签（路径和标签）1-3、数据组合（图像路径和标签）2、打乱数据3、处理每条数据4、自定义重复周

目录一、获取数据集二、设定数据集大小、归一化三、构建卷积神经网络四、编译&&运行五、模型评估通过卷积操作缩小了图像的内容，将模型注意力集中在图像特定的、明显的特征上。这种计算对于计算机视觉来说是非常理想的，因为通常情况下，能够像这样被突出显示的特征才是区分一个物品和另一个物品的关键。一、获取数据集# 1、获取数据集mnist = tf.keras.datasets.fashion_

计算机视觉是人工智能领域最热门的研究领域之一，并且是近几年发展最快的人工智能领域之一。CV(Computer Vision)领域的快速发展主要得益于卷积神经网络的使用。计算机视觉介绍1、计算机视觉应用人脸识别图像检索（搜索引擎图片搜索）监控光学字符识别OCR（证件识别，车牌识别，文档识别，银行卡识别，名片识别，身份证识别等）自动驾驶（检测交通标志、路上的行人和车辆等）2、计算机视觉技术图像分类..

目录一、基础理论二、决策树分类鸢尾花API1、读取数据2、划分数据集3、创建决策树预估器，训练4、模型评估方法一：比对法方法二：计算错误率代码一、基础理论决策树思想：程序设计中的条件分支结构是if-else分支结构，最早的决策树就是利用这类结构分割数据。二、决策树分类鸢尾花APIsklearn.tree.DecisionTreeClassifier1、读取数据# 1、获取数据集iris = loa

目录基础理论1、单词感知器介绍2、单词感知器学习规则前向传递（得到输出y）反向传递（更新权重w）手写单层感知器1、初始参数设置2、正向传播（得到输出y）3、 反向传播（更新权重参数）总代码基础理论1、单词感知器介绍感知器：模拟生物神经网络的人工神经网络结构。w：权值，可以调节神经信号输入值的大小。b：偏置，相当于神经元内部自带的信号。f(x)：激活函数，信号进行线性/非线性变化。（有sign、si

图像被划分成3个图像：图像在多次卷积压缩后，小物体容易消失，所以我们分别用52*52、26*26、13*13的网格检测小物体、中物体、大物体。（猫是大物体，所以用13*13的网格检测）import cv2import numpy as np# 读取文件def ReadFile():global name_listname_list = []# 1、读取文件with open('coco.names