当前位置：首页 > 编程日记 > 正文

OpenCV3.3中逻辑回归(Logistic Regression)使用举例

编程日记 2024-12-21 01:10:00

OpenCV3.3中给出了逻辑回归(logistic regression)的实现，即cv::ml::LogisticRegression类，类的声明在include/opencv2/ml.hpp文件中，实现在modules/ml/src/lr.cpp文件中,它既支持两分类，也支持多分类，其中：

(1)、cv::ml::LogisticRegression类继承自cv::ml::StateModel，而cv::ml::StateModel又继承自cv::Algorithm；

(2)、setLearningRate函数用来设置学习率，getLearningRate函数用来获取学习率值；

(3)、setIterations函数用来设置迭代次数，getIterations函数用来获取迭代次数值；

(4)、setRegularization函数用来设置采用哪种正则化方法，目前支持两种L1 norm和L2 norm，正则化方法主要用来防止过拟合，getRegularization函数用来获取采用哪种正则化方法；

(5)、setTrainMethod函数用来设置采用哪种训练方法，目前支持两种Batch和Mini-Batch, getTrainMethod函数用来获取采用哪种训练方法；

(6)、setMiniBatchSize函数用来设置在Mini-Batch梯度下降训练方法中每一个step采集的训练样本数，getMiniBatchSize函数用来获取每一个step采集的训练样本数；

(7)、setTermCriteria函数用来设置终止训练的条件，包括迭代次数和期望的精度，getTermCriteria用来获取终止训练的条件；

(8)、get_learnt_thetas函数用来获取训练参数；

(9)、create函数为static, new一个LogisticRegressionImpl用来创建一个LogisticRegression对象;

(10)、train函数(使用基类StatModel中的)进行训练；

(11)、predict函数用于预测；

(12)、save函数(使用基类Algorithm中的)保存已训练好的model，支持xml,yaml,json格式;

(13)、load函数用来load已训练好的model；

以下为两分类测试代码：训练数据集为从MNIST中train中随机选取的0、1各10个图像；测试数据集为从MNIST中test中随机选取的0、1各10个图像，如下图，其中第一排前10个0用于训练，后10个0用于测试；第二排前10个1用于训练，后10个1用于测试：

#include "opencv.hpp"
#include <string>
#include <vector>
#include <memory>
#include <opencv2/opencv.hpp>
#include <opencv2/ml.hpp>
#include "common.hpp"// Logistic Regression ///
static void show_image(const cv::Mat& data, int columns, const std::string& name)
{cv::Mat big_image;for (int i = 0; i < data.rows; ++i) {big_image.push_back(data.row(i).reshape(0, columns));}cv::imshow(name, big_image);cv::waitKey(0);
}static float calculate_accuracy_percent(const cv::Mat& original, const cv::Mat& predicted)
{return 100 * (float)cv::countNonZero(original == predicted) / predicted.rows;
}int test_opencv_logistic_regression_train()
{const std::string image_path{ "E:/GitCode/NN_Test/data/images/digit/handwriting_0_and_1/" };cv::Mat data, labels, result;for (int i = 1; i < 11; ++i) {const std::vector<std::string> label{ "0_", "1_" };for (const auto& value : label) {std::string name = std::to_string(i);name = image_path + value + name + ".jpg";cv::Mat image = cv::imread(name, 0);if (image.empty()) {fprintf(stderr, "read image fail: %s\n", name.c_str());return -1;}data.push_back(image.reshape(0, 1));}}data.convertTo(data, CV_32F);//show_image(data, 28, "train data");std::unique_ptr<float[]> tmp(new float[20]);for (int i = 0; i < 20; ++i) {if (i % 2 == 0) tmp[i] = 0.f;else tmp[i] = 1.f;}labels = cv::Mat(20, 1, CV_32FC1, tmp.get());cv::Ptr<cv::ml::LogisticRegression> lr = cv::ml::LogisticRegression::create();lr->setLearningRate(0.00001);lr->setIterations(100);lr->setRegularization(cv::ml::LogisticRegression::REG_DISABLE);lr->setTrainMethod(cv::ml::LogisticRegression::MINI_BATCH);lr->setMiniBatchSize(1);CHECK(lr->train(data, cv::ml::ROW_SAMPLE, labels));const std::string save_file{ "E:/GitCode/NN_Test/data/logistic_regression_model.xml" }; // .xml, .yaml, .jsonslr->save(save_file);return 0;
}int test_opencv_logistic_regression_predict()
{const std::string image_path{ "E:/GitCode/NN_Test/data/images/digit/handwriting_0_and_1/" };cv::Mat data, labels, result;for (int i = 11; i < 21; ++i) {const std::vector<std::string> label{ "0_", "1_" };for (const auto& value : label) {std::string name = std::to_string(i);name = image_path + value + name + ".jpg";cv::Mat image = cv::imread(name, 0);if (image.empty()) {fprintf(stderr, "read image fail: %s\n", name.c_str());return -1;}data.push_back(image.reshape(0, 1));}}data.convertTo(data, CV_32F);//show_image(data, 28, "test data");std::unique_ptr<int[]> tmp(new int[20]);for (int i = 0; i < 20; ++i) {if (i % 2 == 0) tmp[i] = 0;else tmp[i] = 1;}labels = cv::Mat(20, 1, CV_32SC1, tmp.get());const std::string model_file{ "E:/GitCode/NN_Test/data/logistic_regression_model.xml" };cv::Ptr<cv::ml::LogisticRegression> lr = cv::ml::LogisticRegression::load(model_file);lr->predict(data, result);fprintf(stdout, "predict result: \n");std::cout << "actual: " << labels.t() << std::endl;std::cout << "target: " << result.t() << std::endl;fprintf(stdout, "accuracy: %.2f%%\n", calculate_accuracy_percent(labels, result));return 0;
}

测试代码中，test_opencv_logistic_regression_train函数用于训练，训练结果会产生一个叫logistic_regression_model.xml的model文件；test_opencv_logistic_regression_predict函数用于预测，预测结果如下，由结果可知，预测全部正确：

GitHub： https://github.com/fengbingchun/NN_Test

https://www.dkcj.cn/info/32727.html

OpenCV3.3中逻辑回归(Logistic Regression)使用举例

相关文章：

多数编程语言里的0.1+0.2≠0.3?

iOSSharing #9 | 2019-05-19

分表处理（三）

逻辑回归(Logistic Regression)简介及C++实现

CVPR 2019论文阅读：Libra R-CNN如何解决不平衡对检测性能的影响？

实现nginx上配置免费证书Let's Encrypt

深入解析Windows操作系统笔记——CH1概念和术语

C++/C++11中std::exception的使用

技术不错的程序员，为何面试却“屡战屡败”

FastJson 转换 javaBean 时 null 值被忽略都问题

来玩Play框架07 静态文件

C++/C++11中std::runtime_error的使用

估值被砍700亿美元后，Waymo发重磅公开信：即将推出全自动驾驶打车服务

Swoft 2 Beta 发布，基于 Swoole 的云原生协程框架

Linux中源码包的管理

支持向量机(SVM)简介

首届中文NL2SQL挑战赛：千支队伍参赛，国防科大夺冠

怎么使用CAD编辑器来打开图纸中的所有图层

域名年龄-SEO搜索引擎优化

log库spdlog简介及使用

多模态人物识别技术及其在视频场景中的应用 | CSDN技术公开课

研究人员测试27个黑客服务结果仅三个完成任务

CIF、QCIF

OpenCV3.3中支持向量机(Support Vector Machines, SVM)实现简介及使用

Facebook发布Detectron2，下一个万星目标检测新框架

include和require的区别

libsvm库简介及使用

Cron 表达式极速参考

刘群：华为诺亚方舟NLP预训练模型工作的研究与应用 | AI ProCon 2019

NuGet 无法连接到远程服务器-解决方法