Machine learning 训练图像和测试图像

我正在做一个关于腹侧流前馈通路的项目，我有6幅图像需要在下颞层识别

请有人给我一些图片的例子，告诉我训练图片和测试图片的区别。那么，我应该向包含训练图像的文件夹中添加什么？我是否应该添加另一个包含测试图像列表的文件夹？如果是，这些测试图像应该是什么

训练图像是否必须包含要分析或识别的图像，测试图像是否必须包含内存中的图像？换句话说，如果我们有16张训练脸和一两张测试脸。因此，我们应该分析什么是训练中的面孔，与测试中的面孔相对应？这是真的吗

注意：我不需要代码，我只想简单解释一下测试和训练图像之间的区别

---

非常感谢您的帮助。

训练图像和测试图像之间的唯一区别在于，测试图像不用于选择模型参数。每个模型都有一些参数和变量，它们适合于数据。这就是所谓的培训过程。训练集/测试集的分离确保了您的模型（算法）实际上可以做更多的事情，而不仅仅是记忆图像-因此您可以在测试图像上测试它，而这些图像在训练阶段没有使用过

---

已经详细讨论过了，所以：

在HMAX中，使用输入图像层的所有数据。以及garbor过滤器、最大池、径向基核函数。只有在C2层，您才开始训练图像的子集（主要使用基于线性核的SVM）。子集设置为“训练数据”。其余都是测试数据。总之，首先使用训练图像构建支持向量机，然后使用多数投票法将测试图像分配到数字类

但这实际上相当于您首先将训练图像放在图像层。完成所有层之后，将测试图像放在图像层，以便重新启动以进行识别。由于训练图像和测试图像都需要缩放，而且C2之前的前几层中的所有操作都是相同的，所以您只需在开始时将它们混合在一起

---

尽管您在图像层使用了所有的训练和测试图像，但仍然需要对数据进行洗牌，并将其中一些图像作为训练图像，将其他图像作为测试图像。

问题并不十分清楚。你是在问这些图像的性质吗？或者把它们放在哪里？也许你可以解释得更清楚一点？我尝试实现用于对象识别的HMAX模型。我得到了C2层的向量。为了识别图像，我应该有一个训练图像和测试图像，然后在调谐单元中，它分析每个测试图像。。你可以从那里开始：）你的问题在这种情况下更有意义。我对HMAX没有经验，只知道它的基础，但我从你的问题中了解到，你想测试每一层，你需要一些该层特性的示例来进行比较，对吗？你可能对这些幻灯片很熟悉，但为了以防万一，我粘贴了它，因为这是一个好的开始：，你也可以检查这些家伙和他们使用的数据集：是：），所以我从C2层（下时间层或V4）开始。所以最后在视图调整层，我有义务使用svm来识别这些结果。因此，我不想使用这些训练图像来计算模型参数，因为我的朋友在下面回答我，但我理解这个概念，因为在HMAX中，我们没有参数，我们有由所有图像（训练和测试图像）计算的层。无论如何，谢谢你，我真的非常感谢你的意见：））。再次谢谢你。很好。。我本想告诉你读列侬310的回答，但你已经读了…：）顺便说一句，我是阿根廷的阿卡博德·奎恩塔，这是一个项目！所以如果我有20张脸作为训练，一张脸作为测试。因此，我将在训练中选择相应的人脸，他们会对测试中的人脸做出反应。我的想法是真的吗？有点不同。其思想是使用20个训练面来选择“模型参数”。实际上，您的模型可以是分类器（例如，神经网络、分类树）。使用20个面对分类器进行训练后，您可以使用它来预测测试图像属于哪个类。您所说的“选择”是什么意思？整个训练/测试分离适用于某些算法评估的情况。因此，你需要对每张图片进行真正的“分类”（例如，你的任务——图片上的人物）。在测试过程中，您可以选择答案，它属于训练集中最相似的图像，它被称为1-最近邻分类（k=1的KNN算法最简单的情况）@AlceuCosta非常感谢您的答案：）非常有趣，这正是我需要的+亲爱的列侬，我问了一个题为“使用osusvm识别HMAX模型C2层后的人脸”的新问题，我相信你可以根据上面的回答帮助我。我将非常感谢你的帮助。格雷西亚斯！！：）：）亲爱的列侬，如果你能帮我解答有关QIM方法的新问题，我将非常高兴：D提前谢谢！