江苏建设造价信息网站,烟台广告公司南网站建设评价,免费网站seo优化,什么是网络营销工程师需求#xff1a;
根据人的上半边脸预测下半边脸#xff0c;用各种算法取得的结果与原图比较 思考#xff1a; 这是一个回归问题#xff0c;不是分类问题#xff08;人脸数据不固定#xff09; 数据集一共包含40个人#xff0c;每一个人10张照片#xff0c;分布规律 每…
需求
根据人的上半边脸预测下半边脸用各种算法取得的结果与原图比较 思考 这是一个回归问题不是分类问题人脸数据不固定 数据集一共包含40个人每一个人10张照片分布规律 每一个人取出8张照片作为训练数据2张照片作为测试数据 样本特征和样本标签如何拆分上半边脸作为样本特征下半边脸作为特征标签
————————————————
人脸图像补全的方法用途及研究
导包
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
#构建方程
from sklearn.linear_model import LinearRegression,Ridge,Lasso
#不会构建方程
from sklearn.neighbors import KNeighborsRegressor
from sklearn.tree import DecisionTreeRegressor
from sklearn import datasets
from sklearn.model_selection import train_test_split导入datasets中400位人脸数据数据
faces datasets.fetch_olivetti_faces()
X faces.data
images faces.images
y faces.targetdisplay(X.shape)
display(images.shape)
display(y.shape)(400, 4096)
(400, 64, 64)
(400,)
plt.figure(figsize(2,2))
index np.random.randint(0,400,size 1)[0]
img images[index]
plt.imshow(img,cmap plt.cm.gist_gray)将X(人脸数据)分成上半张人脸和下半张人脸
X_up X[:,:2048]
X_down X[:,2048:] index np.random.randint(0,400,size 1)[0]axes plt.subplot(1,3,1)
up_face X_up[index].reshape(32,64)
axes.imshow(up_face,cmap plt.cm.gray)axes plt.subplot(1,3,2)
down_face X_down[index].reshape(32,64)
axes.imshow(down_face,cmap plt.cm.gray)axes plt.subplot(1,3,3)
face X[index].reshape(64,64)
axes.imshow(face,cmap plt.cm.gray)X X_up.copy()
y X_down.copy()
display(X.shape,y.shape)(400, 2048) (400, 2048)
32*642048
X_train,X_test,y_train,y_test train_test_split(X,y,test_size 30) estimators {}
#线性回归
estimators[linear] LinearRegression()
estimators[ridge] Ridge(alpha0.1)
estimators[knn] KNeighborsRegressor(n_neighbors5)
estimators[lasso] Lasso(alpha0.1)
estimators[ElasticNet] ElasticNet()estimators[tree] DecisionTreeRegressor()#决策树费时间 2048个样本特征
#criterion mse 线性的是gini 和熵 都是越小越好分别调用这六个每个算法
result {}
for key,model in estimators.items():model.fit(X_train,y_train)y_ model.predict(X_test)#预测的是下班长人脸result[key] y_结果可视化
plt.figure(figsize(8*2,2*10,))for i in range(0,10):#绘制第一列上班张人脸axes plt.subplot(10,8,i*81)up_face X_test[i].reshape(32,64)axes.imshow(up_face,cmap plt.cm.gray)#取消刻度axes.axis(off)#设置标题(只在第一列显示)if i 0:axes.set_title(upface)#第七列绘制整张人脸axes plt.subplot(10,8,i*88)down_face y_test[i].reshape(32,64)#上下脸拼接true_face np.concatenate([up_face,down_face])axes.imshow(true_face,cmap plt.cm.gray) axes.axis(off)if i 0:axes.set_title(trueface)#绘制第二列到第六列 算法预测的数据result,#字典 key 算法value 预测人脸#用enumerate 循环增加了个jfor j , key in enumerate(result): #j,0,1,2,3,4axes plt.subplot(10,8,i*82j)y_ result[key]pre_downface y_[i].reshape(32,64)pre_face np.concatenate([up_face,pre_downface])axes.imshow(pre_face,cmap plt.cm.gray)axes.axis(off)if i 0:axes.set_title(key)
