本文主要利用opencv和picamera等库实现树莓派实时对视频流中圆的识别，代码如下： importcv2 importnumpyasnp importpicamera frompicamera.arrayimportPiRGBArray importtime defdetect_circles(): 初始化树莓派相机 camera=picamera.PiCamera() camera.resolution=(640,480) time.sleep(0.1) raw_capture=PiRGBArray(camera,size=(640,480)) 循环捕获图像帧进行处理 forf...

classMost_sum: def__init__(self): self.numbers=[] defget_numbers(self): whileTrue: number=input("Enteranumber(or'ok'toend):") ifnumber'ok': break else: self.numbers.append(int(number)) defget_most_sum(self): i=0 first_sum=self.numbers[0] second_sum=self.numbers[0] whilei<len(self.numbers)1: i=...

NumPy是用于数值计算的库，提供了很多高级的数学算法和便利的数组（矩阵）操作方法。 Matplotlib是用来画图的库。使用Matplotlib能将实验结果可视化，并在视觉上确认深度学习运行期间的数据。 Python中的type()函数可以用来查看数据类型。 要生成NumPy数组，需要使用np.array()方法。np.array()接收Python列表作为参数，生成NumPy数组（numpy.ndarray）。 数组x和数组y的元素个数是相同的（两者均是元素个数为3的一维数组）。当x和y的元素个数相同时，可以对各个元素进行算术运算。如果元素个数不同，程序就会报错，所以元素个数保持一致非常重...

感知机接收多个输入信号，输出一个信号。感知机的信号只有“流/不流”（1/0）两种取值。 输入信号被送往神经元时，会被分别乘以固定的权重（w1x1、w2x2）。神经元会计算传送过来的信号的总和，只有当这个总和超过了某个界限值时，才会输出1。这也称为“神经元被激活”。这里将这个界限值称为阈值，用符号θ表示。 感知机的多个输入信号都有各自固有的权重，这些权重发挥着控制各个信号的重要性的作用。也就是说，权重越大，对应该权重的信号的重要性就越高。 感知机的权重则是值越大，通过的信号就越大。 学习是确定合适的参数的过程，而人要做的是思考感知机的构造（模型），并把训练数据交给计算机。 偏置和权重w1、w2的...

第3章 神经网络 将输入信号的总和转换为输出信号，这种函数一般称为激活函数（activationfunction） 激活函数的作用在于决定如何来激活输入信号的总和。 本书在使用“感知机”一词时，没有严格统一它所指的算法。一般而言，“朴素感知机”是指单层网络，指的是激活函数使用了阶跃函数A的模型。“多层感知机”是指神经网络，即使用sigmoid函数（后述）等平滑的激活函数的多层网络。 激活函数以阈值为界，一旦输入超过阈值，就切换输出。这样的函数称为“阶跃函数”。因此，可以说感知机中使用了阶跃函数作为激活函数。也就是说，在激活函数的众多候选函数中，感知机使用了阶跃函数。 实际上，如果将激活函数从...

第4章 神经网络的学习 神经网络的特征就是可以从数据中学习。所谓“从数据中学习”，是指可以由数据自动决定权重参数的值。 通过有效利用数据来解决这个问题。一种方案是，先从图像中提取特征量，再用机器学习技术学习这些特征量的模式。这里所说的“特征量”是指可以从输入数据（输入图像）中准确地提取本质数据（重要的数据）的转换器。图像的特征量通常表示为向量的形式。在计算机视觉领域，常用的特征量包括SIFT、SURF和HOG等。使用这些特征量将图像数据转换为向量，然后对转换后的向量使用机器学习中的SVM、KNN等分类器进行学习。 需要注意的是，将图像转换为向量时使用的特征量仍是由人设计的。对于不同的问题，必须...