攻略篇：NeuroMem簡單圖形識別訓練速成

NeuroMem即仿神經記憶模組，又可稱為神經網路，能夠在高速度和低功耗的狀態下進行模式學習和識別。這些模式可以來自任何數據類型，如文本、科學數據集、生物信號、音頻文件、圖像和視頻等。由於獨特的並行架構，神經元可以在固定時間內學習和識別一個模式，不論這個模式有多少參考模型。它能被用於各種需要實時且低功耗模式識別的應用場景。

由於NeuroMem的圖片識別能力有限，所以要求圖片儘可能簡單，同是對底色的要求也比較高，最初訓練時盡量選擇白底的簡單圖形，例如圓，三角形，四邊形，五邊形等。

第一步：生成圖片

可使用畫圖軟體自行繪製，也可通過程序自動生成。這裡使用image_range.py將其同目錄下的圖片進行旋轉縮放操作，可自定義生成的圖片數量，生成的圖片在對應的文件夾里。

第二步：處理圖片

使用Change_Image.exe將圖片的信息轉換為數字信息，因為當前圖形構造簡單，所以我們可以現在採取對圖片做切割分塊，每塊做黑白概率統計的方式，把黑色出現的概率作為特徵值交給NeuroMem進行處理。

以下面五邊形為例，首先圈出圖片中的圖形，然後把圈出來的圖形橫豎均勻切割成36塊，再計算每個小塊圖形里黑色像素占所有像素的比例，然後將這36個比值作為特徵值保存為文件。

第三步：NeuroMem的訓練

將以上圖片得到的特徵值交給NeuroMem，會自動生成一組神經元，後面檢驗識別結果的圖片將與這些得到的神經元做對比，並給出合適的返回值。

將上一步得到的數據文件放入imageSample文件夾內。並在path_config.csv內配置路徑和類別。訓練完成會顯示訓練結果：包括訓練模型的時間及訓練結果成功率。

第四步：識別

將待識別的圖片做好第二步處理後送入NeuroMem，NeuroMem會自動載入第三步訓練得到的神經元，並與之對比給出識別結果。

圖片也需放在imageSample文件夾內配置路徑。識別完成會顯示識別結果。

對於四種較為簡單的直線圖形，比如星形、三角形、四邊形以及五邊形的識別概率可以達到80%左右。

tips

想要對更為複雜的圖片做識別，需採用更能代表圖片信息進行特徵抽取。

增加樣本數量，當前為500張圖片訓練，增加樣本數，模型的建立應更完美，所以識別概率會增加。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！