C++ 基于反向传播神经网络的人脸识别？

我对图像处理非常陌生，我的第一项任务是制作一个工作程序，可以识别人脸和他们的名字。 到目前为止，我成功地制作了一个项目来检测，裁剪检测到的图像，将其转换为sobel并将其转换为浮点数组。 但是，我非常困惑如何实现反向传播MLP来学习图像，以便它能够识别检测到的人脸的正确名称

---

stackoverflow领域的所有专家都很荣幸能给我举一些例子，说明如何使用反向传播实现要学习的图像阵列

您是否尝试过将特征向量写入一个文件并将其提供给，只是为了看看您的方法是否可行？ Weka集成了很多分类器，包括MLP。 据我目前所知，我怀疑您选择的功能和分类器不起作用

对于你最初的问题：你有没有尝试过自己实现一个神经网络？如果是的话，你被困在哪里了？请注意，这不是向受众请求完整的工作实现的地方

就一般性问题提供一般性答案： 通常在MLP中有节点。特别是输入节点、输出节点和隐藏节点。这些节点严格按层组织。底部是输入层，顶部是输出层，中间是隐藏层。节点以简单的前馈方式连接（只允许输出连接到下一个更高的层）。 然后，将每个

float

连接到单个输入节点，并将特征向量提供给网络。对于反向传播，需要提供为输出节点指定的错误信号。因此，如果要区分

n

名称，可以使用

n

输出节点（即每个名称对应一个节点）。例如，如果存在匹配项，则使其返回

1

，否则返回

0

。您可以很好地使用一个输出节点，让它为名称返回不同的值。甚至最好使用完全不同的感知机，即每个名称一个，以避免一些副作用（灾难性干扰）

请注意，每个节点的输出都是一个数字，而不是一个名称。因此，您需要使用某种阈值来获得数字-名称关系。 还要注意的是，您需要大量的培训数据来培训大型网络（即遵守规则）。了解

float

数组的大小会很有趣。 实际上，对于一个复杂的决策，您可能需要更多的隐藏节点甚至隐藏层。 进一步注意，您可能需要进行大量评估（即）以找到最佳配置（层数、每层节点数），或者甚至找到任何工作配置

---

祝你好运，无论如何

您是否尝试过将特征向量写入一个文件并将其提供给，只是为了看看您的方法是否可行？ Weka集成了很多分类器，包括MLP。 据我目前所知，我怀疑您选择的功能和分类器不起作用

对于你最初的问题：你有没有尝试过自己实现一个神经网络？如果是的话，你被困在哪里了？请注意，这不是向受众请求完整的工作实现的地方

就一般性问题提供一般性答案： 通常在MLP中有节点。特别是输入节点、输出节点和隐藏节点。这些节点严格按层组织。底部是输入层，顶部是输出层，中间是隐藏层。节点以简单的前馈方式连接（只允许输出连接到下一个更高的层）。 然后，将每个

float

连接到单个输入节点，并将特征向量提供给网络。对于反向传播，需要提供为输出节点指定的错误信号。因此，如果要区分

n

名称，可以使用

n

输出节点（即每个名称对应一个节点）。例如，如果存在匹配项，则使其返回

1

，否则返回

0

。您可以很好地使用一个输出节点，让它为名称返回不同的值。甚至最好使用完全不同的感知机，即每个名称一个，以避免一些副作用（灾难性干扰）

请注意，每个节点的输出都是一个数字，而不是一个名称。因此，您需要使用某种阈值来获得数字-名称关系。 还要注意的是，您需要大量的培训数据来培训大型网络（即遵守规则）。了解

float

数组的大小会很有趣。 实际上，对于一个复杂的决策，您可能需要更多的隐藏节点甚至隐藏层。 进一步注意，您可能需要进行大量评估（即）以找到最佳配置（层数、每层节点数），或者甚至找到任何工作配置

---

祝你好运，无论如何

这是标准的机器学习算法。您有许多浮点数组（ML中的实例或统计术语中的观察值）和相应的名称（标签、类标记），每个数组一个。这对于大多数ML算法来说已经足够了。特别是在ANN中，数组的元素（即特征）是网络的输入，标签（名称）是网络的输出

如果您正在寻找反向传播的理论描述，请参阅（ANN部分）。如果您需要现成的实现，请阅读

---

您尚未指定数组的元素。如果您只使用原始图像的像素，这应该可以工作，但不是很好。如果您需要生产级系统（尽管仍然使用ANN），请尝试提取更多高级功能（例如OpenCV本身使用的功能）。

这是标准的机器学习算法。你有