OpenCV3-Python人工神经网络（ANN）简介
人工神经网络 （ANN，Artificial Neural Network）采取的实现方法是将任务分派给许多神经元（也称为节点），且每一个神经元都能够“近似”生成输入函数。所谓的“近似”是指用一个比较简单的函数去表示一个更复杂的函数。此外，如果神经元能够以一定精度近似非线性函数，该网络通常可认为是神经网络。
1. 神经元与感知机
感知机的概念可以追溯到20世纪50年代，感知机是一个可接受许多输入并输出一个值的函数。
每个输入都有一个与之相关联的权重，用来表示函数中输入的重要特性。如，Sigmoid函数：
Sigmoid函数用来指示该函数输出的值为0或1，判断条件是一个阈值，如果输入的权重和大于某一个阈值，感知器会输出1，否则为0。
2. 人工神经网络
如图所示，神经网络有三个不同的层：输入层、隐藏层（或中间层）和输出层。通常一个隐藏层就能够解决现实生活中的大部分问题。
（1）输入层
输入层定义了网络的输入数目。例如，创建一个人工神经网络，使其根据给定的动物属性描述来判断是哪种动物。这些动物属性分别为体重、长度和牙齿。因此，对应这三个属性，网络就需要三个输入节点。
（2）输出层
输出层数据与定义的类别数相同。比如，用来进行动物分类的网络，若已知要分类的动物为狗、秃鹰、海豚和龙，则任意设定输出层的数目为4；如果输入的动物非这些类别，则网络将返回与这4种动物最相似的类别。
（3）隐藏层
隐藏层包含感知器，如前所述，大部分问题只需要一个隐藏层。如何确定隐藏层的神经元数？在实际应用中，并没有严格准则，通常使用经验方法。
3. 创建ANN
创建ANN最常见的规则：
（1）隐藏层神经元数应该介于输入层的大小与输出层大小之间。根据经验，如果输入层大小与输出层的大小相差很大，则隐藏层的神经元数目最好与输出层数接近。
（2）对于相对较小的输入层，隐藏层神经元数最好是输入层和输出层大小之和的三分之二，或者小于输入层大小的两倍。
除此之外，需要注意一个重要现象：过拟合（overfitting）。当待分类训练数据提供的信息没有什么意义，而隐藏层又含有太多信息时就会发生过拟合。
（1）程序示例：
import cv2
import numpy as np
from random import randint
#通过调用OpenCV函数创建ANN
animals_net = cv2.ml.ANN_MLP_create()
#ANN_MLP_RPROP和ANN_MLP_BACKPROP都是反向传播算法，此处设置相应的拓扑结构
animals_net.setLayerSizes(np.array([3, 6, 4]))
animals_net.setTrainMethod(cv2.ml.ANN_MLP_RPROP | cv2.ml.ANN_MLP_UPDATE_WEIGHTS)
animals_net.setActivationFunction(cv2.ml.ANN_MLP_SIGMOID_SYM)
#指定ANN的终止条件
animals_net.setTermCriteria(( cv2.TERM_CRITERIA_EPS | cv2.TERM_CRITERIA_COUNT, 10, 1 ))
"""Input arrays
weight, length, teeth
"""
"""Output arrays
dog, eagle, dolphin and dragon
"""
def dog_sample():
return [randint(10, 20), 1, randint(38, 42)]
def dog_class():
return [1, 0, 0, 0]
def condor_sample():
return [randint(3,10), randint(3,5), 0]
def condor_class():
return [0, 1, 0, 0]
def dolphin_sample():
return [randint(30, 190), randint(5, 15), randint(80, 100)]
def dolphin_class():
return [0, 0, 1, 0]
def dragon_sample():
return [randint(1200, 1800), randint(30, 40), randint(160, 180)]
def dragon_class():
return [0, 0, 0, 1]
def record(sample, classification):
return (np.array([sample], dtype=np.float32), np.array([classification], dtype=np.float32))
'''
为了提高精度，大多数ANN会迭代多个周期；一些常见的ANN示例，会对数据进行数百次迭代。
'''
records = []
RECORDS = 5000
for x in range(0, RECORDS):
records.append(record(dog_sample(), dog_class()))
records.append(record(condor_sample(), condor_class()))
records.append(record(dolphin_sample(), dolphin_class()))
records.append(record(dragon_sample(), dragon_class()))
EPOCHS = 2
for e in range(0, EPOCHS):
print ("Epoch %d:" % e)
for t, c in records:
animals_net.train(t, cv2.ml.ROW_SAMPLE, c)
TESTS = 100
dog_results = 0
for x in range(0, TESTS):
clas = int(animals_net.predict(np.array([dog_sample()], dtype=np.float32))[0])
print ("class: %d" % clas)
if (clas) == 0:
dog_results += 1
condor_results = 0
for x in range(0, TESTS):
clas = int(animals_net.predict(np.array([condor_sample()], dtype=np.float32))[0])
print ("class: %d" % clas)
if (clas) == 1:
condor_results += 1
dolphin_results = 0
for x in range(0, TESTS):
clas = int(animals_net.predict(np.array([dolphin_sample()], dtype=np.float32))[0])
print ("class: %d" % clas)
if (clas) == 2:
dolphin_results += 1
dragon_results = 0
for x in range(0, TESTS):
clas = int(animals_net.predict(np.array([dragon_sample()], dtype=np.float32))[0])
print ("class: %d" % clas)
if (clas) == 3:
dragon_results += 1
print ("Dog accuracy: %f%%" % (dog_results))
print ("condor accuracy: %f%%" % (condor_results))
print ("dolphin accuracy: %f%%" % (dolphin_results))
print ("dragon accuracy: %f%%" % (dragon_results))（2）运行结果：