问基于神经网络的车型识别

EN

您没有说是否可以使用现有的框架，或者是否需要从头开始实现解决方案，但无论哪种方式，Python都是编写神经网络的优秀语言。

如果您可以使用框架，请查看Theano，它是用Python编写的，是所有语言中最完整的神经网络框架：

http://www.deeplearning.net/software/theano/

如果您需要从头开始编写您的实现，请参阅Stephen Marsland的“机器学习，算法视角”一书。它包含实现基本多层神经网络的示例Python代码。

至于如何继续，您需要将图像转换为一维输入向量。不要担心丢失2-D信息，网络会自己学习提取2-D特征的“接受域”。将像素强度归一化为-1到1的范围(或者更好，0平均值，标准差为1)。如果图像已经居中并归一化到大致相同的大小，那么一个简单的前馈网络应该就足够了。如果汽车与摄像头的角度或距离变化很大，您可能需要使用卷积神经网络，但实现起来要复杂得多( Theano文档中有示例)。对于基本的前馈网络，尝试使用两个隐藏层，每层中的像素数在0.5到1.5倍之间。

将数据集分为单独的训练集、验证集和测试集(可能分别具有0.6、0.2、0.2的比率)，并确保每个图像只出现在一个集中。只在训练集上训练，并且在接近100%的训练实例正确之前不要使用任何正则化。您可以使用验证集来监控未进行训练的实例的进度。验证集的性能应该比训练集的性能差。当验证集上的性能停止提高时，停止训练。一旦你做到了这一点，你可以尝试不同的正则化常量，并选择一个能带来最佳验证集性能的常量。测试集将告诉您最终结果的执行情况(但不要基于测试集结果更改任何内容，否则您也有过度拟合的风险！)。

如果你的汽车图像非常复杂和多变，并且你不能得到一个基本的前馈网络来很好地执行，你可以考虑使用“深度学习”。也就是说，添加更多的层，并使用无监督训练对其进行预训练。这里有一个关于如何做到这一点的详细教程(尽管所有的代码示例都在MatLab/Octave中)：

http://ufldl.stanford.edu/wiki/index.php/UFLDL_Tutorial

再一次，这增加了很多复杂性。首先尝试使用基本的前馈神经网络。