Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
Greenplum
Opencv
提交
a9df50ee
O
Opencv
项目概览
Greenplum
/
Opencv
10 个月 前同步成功
通知
7
Star
0
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
DevOps
流水线
流水线任务
计划
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
O
Opencv
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
DevOps
DevOps
流水线
流水线任务
计划
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
流水线任务
提交
Issue看板
体验新版 GitCode,发现更多精彩内容 >>
提交
a9df50ee
编写于
11月 05, 2013
作者:
R
Rahul Kavi
提交者:
Maksim Shabunin
8月 18, 2014
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
updated test for logistic regression
上级
b3b4e83a
变更
1
隐藏空白更改
内联
并排
Showing
1 changed file
with
87 addition
and
87 deletion
+87
-87
modules/ml/test/test_lr.cpp
modules/ml/test/test_lr.cpp
+87
-87
未找到文件。
modules/ml/test/test_lr.cpp
浏览文件 @
a9df50ee
...
...
@@ -94,35 +94,43 @@ void CV_LRTest::run( int /*start_from*/ )
// initialize varibles from the popular Iris Dataset
Mat
data
=
(
Mat_
<
double
>
(
150
,
4
)
<<
5.1
,
3.5
,
1.4
,
0.2
,
4.9
,
3.0
,
1.4
,
0.2
,
4.7
,
3.2
,
1.3
,
0.2
,
4.6
,
3.1
,
1.5
,
0.2
,
5.0
,
3.6
,
1.4
,
0.2
,
5.4
,
3.9
,
1.7
,
0.4
,
4.6
,
3.4
,
1.4
,
0.3
,
5.0
,
3.4
,
1.5
,
0.2
,
4.4
,
2.9
,
1.4
,
0.2
,
4.9
,
3.1
,
1.5
,
0.1
,
5.4
,
3.7
,
1.5
,
0.2
,
4.8
,
3.4
,
1.6
,
0.2
,
4.8
,
3.0
,
1.4
,
0.1
,
4.3
,
3.0
,
1.1
,
0.1
,
5.8
,
4.0
,
1.2
,
0.2
,
5.7
,
4.4
,
1.5
,
0.4
,
5.4
,
3.9
,
1.3
,
0.4
,
5.1
,
3.5
,
1.4
,
0.3
,
5.7
,
3.8
,
1.7
,
0.3
,
5.1
,
3.8
,
1.5
,
0.3
,
5.4
,
3.4
,
1.7
,
0.2
,
5.1
,
3.7
,
1.5
,
0.4
,
4.6
,
3.6
,
1.0
,
0.2
,
5.1
,
3.3
,
1.7
,
0.5
,
4.8
,
3.4
,
1.9
,
0.2
,
5.0
,
3.0
,
1.6
,
0.2
,
5.0
,
3.4
,
1.6
,
0.4
,
5.2
,
3.5
,
1.5
,
0.2
,
5.2
,
3.4
,
1.4
,
0.2
,
4.7
,
3.2
,
1.6
,
0.2
,
4.8
,
3.1
,
1.6
,
0.2
,
5.4
,
3.4
,
1.5
,
0.4
,
5.2
,
4.1
,
1.5
,
0.1
,
5.5
,
4.2
,
1.4
,
0.2
,
4.9
,
3.1
,
1.5
,
0.1
,
5.0
,
3.2
,
1.2
,
0.2
,
5.5
,
3.5
,
1.3
,
0.2
,
4.9
,
3.1
,
1.5
,
0.1
,
4.4
,
3.0
,
1.3
,
0.2
,
5.1
,
3.4
,
1.5
,
0.2
,
5.0
,
3.5
,
1.3
,
0.3
,
4.5
,
2.3
,
1.3
,
0.3
,
4.4
,
3.2
,
1.3
,
0.2
,
5.0
,
3.5
,
1.6
,
0.6
,
5.1
,
3.8
,
1.9
,
0.4
,
4.8
,
3.0
,
1.4
,
0.3
,
5.1
,
3.8
,
1.6
,
0.2
,
4.6
,
3.2
,
1.4
,
0.2
,
5.3
,
3.7
,
1.5
,
0.2
,
5.0
,
3.3
,
1.4
,
0.2
,
7.0
,
3.2
,
4.7
,
1.4
,
6.4
,
3.2
,
4.5
,
1.5
,
6.9
,
3.1
,
4.9
,
1.5
,
5.5
,
2.3
,
4.0
,
1.3
,
6.5
,
2.8
,
4.6
,
1.5
,
5.7
,
2.8
,
4.5
,
1.3
,
6.3
,
3.3
,
4.7
,
1.6
,
4.9
,
2.4
,
3.3
,
1.0
,
6.6
,
2.9
,
4.6
,
1.3
,
5.2
,
2.7
,
3.9
,
1.4
,
5.0
,
2.0
,
3.5
,
1.0
,
5.9
,
3.0
,
4.2
,
1.5
,
6.0
,
2.2
,
4.0
,
1.0
,
6.1
,
2.9
,
4.7
,
1.4
,
5.6
,
2.9
,
3.6
,
1.3
,
6.7
,
3.1
,
4.4
,
1.4
,
5.6
,
3.0
,
4.5
,
1.5
,
5.8
,
2.7
,
4.1
,
1.0
,
6.2
,
2.2
,
4.5
,
1.5
,
5.6
,
2.5
,
3.9
,
1.1
,
5.9
,
3.2
,
4.8
,
1.8
,
6.1
,
2.8
,
4.0
,
1.3
,
6.3
,
2.5
,
4.9
,
1.5
,
6.1
,
2.8
,
4.7
,
1.2
,
6.4
,
2.9
,
4.3
,
1.3
,
6.6
,
3.0
,
4.4
,
1.4
,
6.8
,
2.8
,
4.8
,
1.4
,
6.7
,
3.0
,
5.0
,
1.7
,
6.0
,
2.9
,
4.5
,
1.5
,
5.7
,
2.6
,
3.5
,
1.0
,
5.5
,
2.4
,
3.8
,
1.1
,
5.5
,
2.4
,
3.7
,
1.0
,
5.8
,
2.7
,
3.9
,
1.2
,
6.0
,
2.7
,
5.1
,
1.6
,
5.4
,
3.0
,
4.5
,
1.5
,
6.0
,
3.4
,
4.5
,
1.6
,
6.7
,
3.1
,
4.7
,
1.5
,
6.3
,
2.3
,
4.4
,
1.3
,
5.6
,
3.0
,
4.1
,
1.3
,
5.5
,
2.5
,
4.0
,
1.3
,
5.5
,
2.6
,
4.4
,
1.2
,
6.1
,
3.0
,
4.6
,
1.4
,
5.8
,
2.6
,
4.0
,
1.2
,
5.0
,
2.3
,
3.3
,
1.0
,
5.6
,
2.7
,
4.2
,
1.3
,
5.7
,
3.0
,
4.2
,
1.2
,
5.7
,
2.9
,
4.2
,
1.3
,
6.2
,
2.9
,
4.3
,
1.3
,
5.1
,
2.5
,
3.0
,
1.1
,
5.7
,
2.8
,
4.1
,
1.3
,
6.3
,
3.3
,
6.0
,
2.5
,
5.8
,
2.7
,
5.1
,
1.9
,
7.1
,
3.0
,
5.9
,
2.1
,
6.3
,
2.9
,
5.6
,
1.8
,
6.5
,
3.0
,
5.8
,
2.2
,
7.6
,
3.0
,
6.6
,
2.1
,
4.9
,
2.5
,
4.5
,
1.7
,
7.3
,
2.9
,
6.3
,
1.8
,
6.7
,
2.5
,
5.8
,
1.8
,
7.2
,
3.6
,
6.1
,
2.5
,
6.5
,
3.2
,
5.1
,
2.0
,
6.4
,
2.7
,
5.3
,
1.9
,
6.8
,
3.0
,
5.5
,
2.1
,
5.7
,
2.5
,
5.0
,
2.0
,
5.8
,
2.8
,
5.1
,
2.4
,
6.4
,
3.2
,
5.3
,
2.3
,
6.5
,
3.0
,
5.5
,
1.8
,
7.7
,
3.8
,
6.7
,
2.2
,
7.7
,
2.6
,
6.9
,
2.3
,
6.0
,
2.2
,
5.0
,
1.5
,
6.9
,
3.2
,
5.7
,
2.3
,
5.6
,
2.8
,
4.9
,
2.0
,
7.7
,
2.8
,
6.7
,
2.0
,
6.3
,
2.7
,
4.9
,
1.8
,
6.7
,
3.3
,
5.7
,
2.1
,
7.2
,
3.2
,
6.0
,
1.8
,
6.2
,
2.8
,
4.8
,
1.8
,
6.1
,
3.0
,
4.9
,
1.8
,
6.4
,
2.8
,
5.6
,
2.1
,
7.2
,
3.0
,
5.8
,
1.6
,
7.4
,
2.8
,
6.1
,
1.9
,
7.9
,
3.8
,
6.4
,
2.0
,
6.4
,
2.8
,
5.6
,
2.2
,
6.3
,
2.8
,
5.1
,
1.5
,
6.1
,
2.6
,
5.6
,
1.4
,
7.7
,
3.0
,
6.1
,
2.3
,
6.3
,
3.4
,
5.6
,
2.4
,
6.4
,
3.1
,
5.5
,
1.8
,
6.0
,
3.0
,
4.8
,
1.8
,
6.9
,
3.1
,
5.4
,
2.1
,
6.7
,
3.1
,
5.6
,
2.4
,
6.9
,
3.1
,
5.1
,
2.3
,
5.8
,
2.7
,
5.1
,
1.9
,
6.8
,
3.2
,
5.9
,
2.3
,
6.7
,
3.3
,
5.7
,
2.5
,
6.7
,
3.0
,
5.2
,
2.3
,
6.3
,
2.5
,
5.0
,
1.9
,
6.5
,
3.0
,
5.2
,
2.0
,
6.2
,
3.4
,
5.4
,
2.3
,
5.9
,
3.0
,
5.1
,
1.8
);
5.0
,
3.6
,
1.4
,
0.2
,
5.4
,
3.9
,
1.7
,
0.4
,
4.6
,
3.4
,
1.4
,
0.3
,
5.0
,
3.4
,
1.5
,
0.2
,
4.4
,
2.9
,
1.4
,
0.2
,
4.9
,
3.1
,
1.5
,
0.1
,
5.4
,
3.7
,
1.5
,
0.2
,
4.8
,
3.4
,
1.6
,
0.2
,
4.8
,
3.0
,
1.4
,
0.1
,
4.3
,
3.0
,
1.1
,
0.1
,
5.8
,
4.0
,
1.2
,
0.2
,
5.7
,
4.4
,
1.5
,
0.4
,
5.4
,
3.9
,
1.3
,
0.4
,
5.1
,
3.5
,
1.4
,
0.3
,
5.7
,
3.8
,
1.7
,
0.3
,
5.1
,
3.8
,
1.5
,
0.3
,
5.4
,
3.4
,
1.7
,
0.2
,
5.1
,
3.7
,
1.5
,
0.4
,
4.6
,
3.6
,
1.0
,
0.2
,
5.1
,
3.3
,
1.7
,
0.5
,
4.8
,
3.4
,
1.9
,
0.2
,
5.0
,
3.0
,
1.6
,
0.2
,
5.0
,
3.4
,
1.6
,
0.4
,
5.2
,
3.5
,
1.5
,
0.2
,
5.2
,
3.4
,
1.4
,
0.2
,
4.7
,
3.2
,
1.6
,
0.2
,
4.8
,
3.1
,
1.6
,
0.2
,
5.4
,
3.4
,
1.5
,
0.4
,
5.2
,
4.1
,
1.5
,
0.1
,
5.5
,
4.2
,
1.4
,
0.2
,
4.9
,
3.1
,
1.5
,
0.1
,
5.0
,
3.2
,
1.2
,
0.2
,
5.5
,
3.5
,
1.3
,
0.2
,
4.9
,
3.1
,
1.5
,
0.1
,
4.4
,
3.0
,
1.3
,
0.2
,
5.1
,
3.4
,
1.5
,
0.2
,
5.0
,
3.5
,
1.3
,
0.3
,
4.5
,
2.3
,
1.3
,
0.3
,
4.4
,
3.2
,
1.3
,
0.2
,
5.0
,
3.5
,
1.6
,
0.6
,
5.1
,
3.8
,
1.9
,
0.4
,
4.8
,
3.0
,
1.4
,
0.3
,
5.1
,
3.8
,
1.6
,
0.2
,
4.6
,
3.2
,
1.4
,
0.2
,
5.3
,
3.7
,
1.5
,
0.2
,
5.0
,
3.3
,
1.4
,
0.2
,
7.0
,
3.2
,
4.7
,
1.4
,
6.4
,
3.2
,
4.5
,
1.5
,
6.9
,
3.1
,
4.9
,
1.5
,
5.5
,
2.3
,
4.0
,
1.3
,
6.5
,
2.8
,
4.6
,
1.5
,
5.7
,
2.8
,
4.5
,
1.3
,
6.3
,
3.3
,
4.7
,
1.6
,
4.9
,
2.4
,
3.3
,
1.0
,
6.6
,
2.9
,
4.6
,
1.3
,
5.2
,
2.7
,
3.9
,
1.4
,
5.0
,
2.0
,
3.5
,
1.0
,
5.9
,
3.0
,
4.2
,
1.5
,
6.0
,
2.2
,
4.0
,
1.0
,
6.1
,
2.9
,
4.7
,
1.4
,
5.6
,
2.9
,
3.6
,
1.3
,
6.7
,
3.1
,
4.4
,
1.4
,
5.6
,
3.0
,
4.5
,
1.5
,
5.8
,
2.7
,
4.1
,
1.0
,
6.2
,
2.2
,
4.5
,
1.5
,
5.6
,
2.5
,
3.9
,
1.1
,
5.9
,
3.2
,
4.8
,
1.8
,
6.1
,
2.8
,
4.0
,
1.3
,
6.3
,
2.5
,
4.9
,
1.5
,
6.1
,
2.8
,
4.7
,
1.2
,
6.4
,
2.9
,
4.3
,
1.3
,
6.6
,
3.0
,
4.4
,
1.4
,
6.8
,
2.8
,
4.8
,
1.4
,
6.7
,
3.0
,
5.0
,
1.7
,
6.0
,
2.9
,
4.5
,
1.5
,
5.7
,
2.6
,
3.5
,
1.0
,
5.5
,
2.4
,
3.8
,
1.1
,
5.5
,
2.4
,
3.7
,
1.0
,
5.8
,
2.7
,
3.9
,
1.2
,
6.0
,
2.7
,
5.1
,
1.6
,
5.4
,
3.0
,
4.5
,
1.5
,
6.0
,
3.4
,
4.5
,
1.6
,
6.7
,
3.1
,
4.7
,
1.5
,
6.3
,
2.3
,
4.4
,
1.3
,
5.6
,
3.0
,
4.1
,
1.3
,
5.5
,
2.5
,
4.0
,
1.3
,
5.5
,
2.6
,
4.4
,
1.2
,
6.1
,
3.0
,
4.6
,
1.4
,
5.8
,
2.6
,
4.0
,
1.2
,
5.0
,
2.3
,
3.3
,
1.0
,
5.6
,
2.7
,
4.2
,
1.3
,
5.7
,
3.0
,
4.2
,
1.2
,
5.7
,
2.9
,
4.2
,
1.3
,
6.2
,
2.9
,
4.3
,
1.3
,
5.1
,
2.5
,
3.0
,
1.1
,
5.7
,
2.8
,
4.1
,
1.3
,
6.3
,
3.3
,
6.0
,
2.5
,
5.8
,
2.7
,
5.1
,
1.9
,
7.1
,
3.0
,
5.9
,
2.1
,
6.3
,
2.9
,
5.6
,
1.8
,
6.5
,
3.0
,
5.8
,
2.2
,
7.6
,
3.0
,
6.6
,
2.1
,
4.9
,
2.5
,
4.5
,
1.7
,
7.3
,
2.9
,
6.3
,
1.8
,
6.7
,
2.5
,
5.8
,
1.8
,
7.2
,
3.6
,
6.1
,
2.5
,
6.5
,
3.2
,
5.1
,
2.0
,
6.4
,
2.7
,
5.3
,
1.9
,
6.8
,
3.0
,
5.5
,
2.1
,
5.7
,
2.5
,
5.0
,
2.0
,
5.8
,
2.8
,
5.1
,
2.4
,
6.4
,
3.2
,
5.3
,
2.3
,
6.5
,
3.0
,
5.5
,
1.8
,
7.7
,
3.8
,
6.7
,
2.2
,
7.7
,
2.6
,
6.9
,
2.3
,
6.0
,
2.2
,
5.0
,
1.5
,
6.9
,
3.2
,
5.7
,
2.3
,
5.6
,
2.8
,
4.9
,
2.0
,
7.7
,
2.8
,
6.7
,
2.0
,
6.3
,
2.7
,
4.9
,
1.8
,
6.7
,
3.3
,
5.7
,
2.1
,
7.2
,
3.2
,
6.0
,
1.8
,
6.2
,
2.8
,
4.8
,
1.8
,
6.1
,
3.0
,
4.9
,
1.8
,
6.4
,
2.8
,
5.6
,
2.1
,
7.2
,
3.0
,
5.8
,
1.6
,
7.4
,
2.8
,
6.1
,
1.9
,
7.9
,
3.8
,
6.4
,
2.0
,
6.4
,
2.8
,
5.6
,
2.2
,
6.3
,
2.8
,
5.1
,
1.5
,
6.1
,
2.6
,
5.6
,
1.4
,
7.7
,
3.0
,
6.1
,
2.3
,
6.3
,
3.4
,
5.6
,
2.4
,
6.4
,
3.1
,
5.5
,
1.8
,
6.0
,
3.0
,
4.8
,
1.8
,
6.9
,
3.1
,
5.4
,
2.1
,
6.7
,
3.1
,
5.6
,
2.4
,
6.9
,
3.1
,
5.1
,
2.3
,
5.8
,
2.7
,
5.1
,
1.9
,
6.8
,
3.2
,
5.9
,
2.3
,
6.7
,
3.3
,
5.7
,
2.5
,
6.7
,
3.0
,
5.2
,
2.3
,
6.3
,
2.5
,
5.0
,
1.9
,
6.5
,
3.0
,
5.2
,
2.0
,
6.2
,
3.4
,
5.4
,
2.3
,
5.9
,
3.0
,
5.1
,
1.8
);
Mat
labels
=
(
Mat_
<
int
>
(
150
,
1
)
<<
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
...
...
@@ -136,7 +144,6 @@ void CV_LRTest::run( int /*start_from*/ )
float
error
=
0.0
f
;
LogisticRegressionParams
params1
=
LogisticRegressionParams
();
LogisticRegressionParams
params2
=
LogisticRegressionParams
();
params1
.
alpha
=
1.0
;
params1
.
num_iters
=
10001
;
...
...
@@ -167,31 +174,6 @@ void CV_LRTest::run( int /*start_from*/ )
test_code
=
cvtest
::
TS
::
FAIL_BAD_ACCURACY
;
}
params2
.
alpha
=
1.0
;
params2
.
num_iters
=
9000
;
params2
.
norm
=
LogisticRegression
::
REG_L2
;
params2
.
regularized
=
1
;
params2
.
train_method
=
LogisticRegression
::
MINI_BATCH
;
params2
.
mini_batch_size
=
10
;
// now train using mini batch gradient descent
LogisticRegression
lr2
(
data
,
labels
,
params2
);
lr2
.
predict
(
data
,
responses2
);
responses2
.
convertTo
(
responses2
,
CV_32S
);
//calculate error
if
(
!
calculateError
(
responses2
,
labels
,
error
))
{
ts
->
printf
(
cvtest
::
TS
::
LOG
,
"Bad prediction labels
\n
"
);
test_code
=
cvtest
::
TS
::
FAIL_INVALID_OUTPUT
;
}
else
if
(
error
>
0.06
f
)
{
ts
->
printf
(
cvtest
::
TS
::
LOG
,
"Bad accuracy of (%f)
\n
"
,
error
);
test_code
=
cvtest
::
TS
::
FAIL_BAD_ACCURACY
;
}
ts
->
set_failed_test_info
(
test_code
);
}
...
...
@@ -213,35 +195,43 @@ void CV_LRTest_SaveLoad::run( int /*start_from*/ )
// initialize varibles from the popular Iris Dataset
Mat
data
=
(
Mat_
<
double
>
(
150
,
4
)
<<
5.1
,
3.5
,
1.4
,
0.2
,
4.9
,
3.0
,
1.4
,
0.2
,
4.7
,
3.2
,
1.3
,
0.2
,
4.6
,
3.1
,
1.5
,
0.2
,
5.0
,
3.6
,
1.4
,
0.2
,
5.4
,
3.9
,
1.7
,
0.4
,
4.6
,
3.4
,
1.4
,
0.3
,
5.0
,
3.4
,
1.5
,
0.2
,
4.4
,
2.9
,
1.4
,
0.2
,
4.9
,
3.1
,
1.5
,
0.1
,
5.4
,
3.7
,
1.5
,
0.2
,
4.8
,
3.4
,
1.6
,
0.2
,
4.8
,
3.0
,
1.4
,
0.1
,
4.3
,
3.0
,
1.1
,
0.1
,
5.8
,
4.0
,
1.2
,
0.2
,
5.7
,
4.4
,
1.5
,
0.4
,
5.4
,
3.9
,
1.3
,
0.4
,
5.1
,
3.5
,
1.4
,
0.3
,
5.7
,
3.8
,
1.7
,
0.3
,
5.1
,
3.8
,
1.5
,
0.3
,
5.4
,
3.4
,
1.7
,
0.2
,
5.1
,
3.7
,
1.5
,
0.4
,
4.6
,
3.6
,
1.0
,
0.2
,
5.1
,
3.3
,
1.7
,
0.5
,
4.8
,
3.4
,
1.9
,
0.2
,
5.0
,
3.0
,
1.6
,
0.2
,
5.0
,
3.4
,
1.6
,
0.4
,
5.2
,
3.5
,
1.5
,
0.2
,
5.2
,
3.4
,
1.4
,
0.2
,
4.7
,
3.2
,
1.6
,
0.2
,
4.8
,
3.1
,
1.6
,
0.2
,
5.4
,
3.4
,
1.5
,
0.4
,
5.2
,
4.1
,
1.5
,
0.1
,
5.5
,
4.2
,
1.4
,
0.2
,
4.9
,
3.1
,
1.5
,
0.1
,
5.0
,
3.2
,
1.2
,
0.2
,
5.5
,
3.5
,
1.3
,
0.2
,
4.9
,
3.1
,
1.5
,
0.1
,
4.4
,
3.0
,
1.3
,
0.2
,
5.1
,
3.4
,
1.5
,
0.2
,
5.0
,
3.5
,
1.3
,
0.3
,
4.5
,
2.3
,
1.3
,
0.3
,
4.4
,
3.2
,
1.3
,
0.2
,
5.0
,
3.5
,
1.6
,
0.6
,
5.1
,
3.8
,
1.9
,
0.4
,
4.8
,
3.0
,
1.4
,
0.3
,
5.1
,
3.8
,
1.6
,
0.2
,
4.6
,
3.2
,
1.4
,
0.2
,
5.3
,
3.7
,
1.5
,
0.2
,
5.0
,
3.3
,
1.4
,
0.2
,
7.0
,
3.2
,
4.7
,
1.4
,
6.4
,
3.2
,
4.5
,
1.5
,
6.9
,
3.1
,
4.9
,
1.5
,
5.5
,
2.3
,
4.0
,
1.3
,
6.5
,
2.8
,
4.6
,
1.5
,
5.7
,
2.8
,
4.5
,
1.3
,
6.3
,
3.3
,
4.7
,
1.6
,
4.9
,
2.4
,
3.3
,
1.0
,
6.6
,
2.9
,
4.6
,
1.3
,
5.2
,
2.7
,
3.9
,
1.4
,
5.0
,
2.0
,
3.5
,
1.0
,
5.9
,
3.0
,
4.2
,
1.5
,
6.0
,
2.2
,
4.0
,
1.0
,
6.1
,
2.9
,
4.7
,
1.4
,
5.6
,
2.9
,
3.6
,
1.3
,
6.7
,
3.1
,
4.4
,
1.4
,
5.6
,
3.0
,
4.5
,
1.5
,
5.8
,
2.7
,
4.1
,
1.0
,
6.2
,
2.2
,
4.5
,
1.5
,
5.6
,
2.5
,
3.9
,
1.1
,
5.9
,
3.2
,
4.8
,
1.8
,
6.1
,
2.8
,
4.0
,
1.3
,
6.3
,
2.5
,
4.9
,
1.5
,
6.1
,
2.8
,
4.7
,
1.2
,
6.4
,
2.9
,
4.3
,
1.3
,
6.6
,
3.0
,
4.4
,
1.4
,
6.8
,
2.8
,
4.8
,
1.4
,
6.7
,
3.0
,
5.0
,
1.7
,
6.0
,
2.9
,
4.5
,
1.5
,
5.7
,
2.6
,
3.5
,
1.0
,
5.5
,
2.4
,
3.8
,
1.1
,
5.5
,
2.4
,
3.7
,
1.0
,
5.8
,
2.7
,
3.9
,
1.2
,
6.0
,
2.7
,
5.1
,
1.6
,
5.4
,
3.0
,
4.5
,
1.5
,
6.0
,
3.4
,
4.5
,
1.6
,
6.7
,
3.1
,
4.7
,
1.5
,
6.3
,
2.3
,
4.4
,
1.3
,
5.6
,
3.0
,
4.1
,
1.3
,
5.5
,
2.5
,
4.0
,
1.3
,
5.5
,
2.6
,
4.4
,
1.2
,
6.1
,
3.0
,
4.6
,
1.4
,
5.8
,
2.6
,
4.0
,
1.2
,
5.0
,
2.3
,
3.3
,
1.0
,
5.6
,
2.7
,
4.2
,
1.3
,
5.7
,
3.0
,
4.2
,
1.2
,
5.7
,
2.9
,
4.2
,
1.3
,
6.2
,
2.9
,
4.3
,
1.3
,
5.1
,
2.5
,
3.0
,
1.1
,
5.7
,
2.8
,
4.1
,
1.3
,
6.3
,
3.3
,
6.0
,
2.5
,
5.8
,
2.7
,
5.1
,
1.9
,
7.1
,
3.0
,
5.9
,
2.1
,
6.3
,
2.9
,
5.6
,
1.8
,
6.5
,
3.0
,
5.8
,
2.2
,
7.6
,
3.0
,
6.6
,
2.1
,
4.9
,
2.5
,
4.5
,
1.7
,
7.3
,
2.9
,
6.3
,
1.8
,
6.7
,
2.5
,
5.8
,
1.8
,
7.2
,
3.6
,
6.1
,
2.5
,
6.5
,
3.2
,
5.1
,
2.0
,
6.4
,
2.7
,
5.3
,
1.9
,
6.8
,
3.0
,
5.5
,
2.1
,
5.7
,
2.5
,
5.0
,
2.0
,
5.8
,
2.8
,
5.1
,
2.4
,
6.4
,
3.2
,
5.3
,
2.3
,
6.5
,
3.0
,
5.5
,
1.8
,
7.7
,
3.8
,
6.7
,
2.2
,
7.7
,
2.6
,
6.9
,
2.3
,
6.0
,
2.2
,
5.0
,
1.5
,
6.9
,
3.2
,
5.7
,
2.3
,
5.6
,
2.8
,
4.9
,
2.0
,
7.7
,
2.8
,
6.7
,
2.0
,
6.3
,
2.7
,
4.9
,
1.8
,
6.7
,
3.3
,
5.7
,
2.1
,
7.2
,
3.2
,
6.0
,
1.8
,
6.2
,
2.8
,
4.8
,
1.8
,
6.1
,
3.0
,
4.9
,
1.8
,
6.4
,
2.8
,
5.6
,
2.1
,
7.2
,
3.0
,
5.8
,
1.6
,
7.4
,
2.8
,
6.1
,
1.9
,
7.9
,
3.8
,
6.4
,
2.0
,
6.4
,
2.8
,
5.6
,
2.2
,
6.3
,
2.8
,
5.1
,
1.5
,
6.1
,
2.6
,
5.6
,
1.4
,
7.7
,
3.0
,
6.1
,
2.3
,
6.3
,
3.4
,
5.6
,
2.4
,
6.4
,
3.1
,
5.5
,
1.8
,
6.0
,
3.0
,
4.8
,
1.8
,
6.9
,
3.1
,
5.4
,
2.1
,
6.7
,
3.1
,
5.6
,
2.4
,
6.9
,
3.1
,
5.1
,
2.3
,
5.8
,
2.7
,
5.1
,
1.9
,
6.8
,
3.2
,
5.9
,
2.3
,
6.7
,
3.3
,
5.7
,
2.5
,
6.7
,
3.0
,
5.2
,
2.3
,
6.3
,
2.5
,
5.0
,
1.9
,
6.5
,
3.0
,
5.2
,
2.0
,
6.2
,
3.4
,
5.4
,
2.3
,
5.9
,
3.0
,
5.1
,
1.8
);
5.0
,
3.6
,
1.4
,
0.2
,
5.4
,
3.9
,
1.7
,
0.4
,
4.6
,
3.4
,
1.4
,
0.3
,
5.0
,
3.4
,
1.5
,
0.2
,
4.4
,
2.9
,
1.4
,
0.2
,
4.9
,
3.1
,
1.5
,
0.1
,
5.4
,
3.7
,
1.5
,
0.2
,
4.8
,
3.4
,
1.6
,
0.2
,
4.8
,
3.0
,
1.4
,
0.1
,
4.3
,
3.0
,
1.1
,
0.1
,
5.8
,
4.0
,
1.2
,
0.2
,
5.7
,
4.4
,
1.5
,
0.4
,
5.4
,
3.9
,
1.3
,
0.4
,
5.1
,
3.5
,
1.4
,
0.3
,
5.7
,
3.8
,
1.7
,
0.3
,
5.1
,
3.8
,
1.5
,
0.3
,
5.4
,
3.4
,
1.7
,
0.2
,
5.1
,
3.7
,
1.5
,
0.4
,
4.6
,
3.6
,
1.0
,
0.2
,
5.1
,
3.3
,
1.7
,
0.5
,
4.8
,
3.4
,
1.9
,
0.2
,
5.0
,
3.0
,
1.6
,
0.2
,
5.0
,
3.4
,
1.6
,
0.4
,
5.2
,
3.5
,
1.5
,
0.2
,
5.2
,
3.4
,
1.4
,
0.2
,
4.7
,
3.2
,
1.6
,
0.2
,
4.8
,
3.1
,
1.6
,
0.2
,
5.4
,
3.4
,
1.5
,
0.4
,
5.2
,
4.1
,
1.5
,
0.1
,
5.5
,
4.2
,
1.4
,
0.2
,
4.9
,
3.1
,
1.5
,
0.1
,
5.0
,
3.2
,
1.2
,
0.2
,
5.5
,
3.5
,
1.3
,
0.2
,
4.9
,
3.1
,
1.5
,
0.1
,
4.4
,
3.0
,
1.3
,
0.2
,
5.1
,
3.4
,
1.5
,
0.2
,
5.0
,
3.5
,
1.3
,
0.3
,
4.5
,
2.3
,
1.3
,
0.3
,
4.4
,
3.2
,
1.3
,
0.2
,
5.0
,
3.5
,
1.6
,
0.6
,
5.1
,
3.8
,
1.9
,
0.4
,
4.8
,
3.0
,
1.4
,
0.3
,
5.1
,
3.8
,
1.6
,
0.2
,
4.6
,
3.2
,
1.4
,
0.2
,
5.3
,
3.7
,
1.5
,
0.2
,
5.0
,
3.3
,
1.4
,
0.2
,
7.0
,
3.2
,
4.7
,
1.4
,
6.4
,
3.2
,
4.5
,
1.5
,
6.9
,
3.1
,
4.9
,
1.5
,
5.5
,
2.3
,
4.0
,
1.3
,
6.5
,
2.8
,
4.6
,
1.5
,
5.7
,
2.8
,
4.5
,
1.3
,
6.3
,
3.3
,
4.7
,
1.6
,
4.9
,
2.4
,
3.3
,
1.0
,
6.6
,
2.9
,
4.6
,
1.3
,
5.2
,
2.7
,
3.9
,
1.4
,
5.0
,
2.0
,
3.5
,
1.0
,
5.9
,
3.0
,
4.2
,
1.5
,
6.0
,
2.2
,
4.0
,
1.0
,
6.1
,
2.9
,
4.7
,
1.4
,
5.6
,
2.9
,
3.6
,
1.3
,
6.7
,
3.1
,
4.4
,
1.4
,
5.6
,
3.0
,
4.5
,
1.5
,
5.8
,
2.7
,
4.1
,
1.0
,
6.2
,
2.2
,
4.5
,
1.5
,
5.6
,
2.5
,
3.9
,
1.1
,
5.9
,
3.2
,
4.8
,
1.8
,
6.1
,
2.8
,
4.0
,
1.3
,
6.3
,
2.5
,
4.9
,
1.5
,
6.1
,
2.8
,
4.7
,
1.2
,
6.4
,
2.9
,
4.3
,
1.3
,
6.6
,
3.0
,
4.4
,
1.4
,
6.8
,
2.8
,
4.8
,
1.4
,
6.7
,
3.0
,
5.0
,
1.7
,
6.0
,
2.9
,
4.5
,
1.5
,
5.7
,
2.6
,
3.5
,
1.0
,
5.5
,
2.4
,
3.8
,
1.1
,
5.5
,
2.4
,
3.7
,
1.0
,
5.8
,
2.7
,
3.9
,
1.2
,
6.0
,
2.7
,
5.1
,
1.6
,
5.4
,
3.0
,
4.5
,
1.5
,
6.0
,
3.4
,
4.5
,
1.6
,
6.7
,
3.1
,
4.7
,
1.5
,
6.3
,
2.3
,
4.4
,
1.3
,
5.6
,
3.0
,
4.1
,
1.3
,
5.5
,
2.5
,
4.0
,
1.3
,
5.5
,
2.6
,
4.4
,
1.2
,
6.1
,
3.0
,
4.6
,
1.4
,
5.8
,
2.6
,
4.0
,
1.2
,
5.0
,
2.3
,
3.3
,
1.0
,
5.6
,
2.7
,
4.2
,
1.3
,
5.7
,
3.0
,
4.2
,
1.2
,
5.7
,
2.9
,
4.2
,
1.3
,
6.2
,
2.9
,
4.3
,
1.3
,
5.1
,
2.5
,
3.0
,
1.1
,
5.7
,
2.8
,
4.1
,
1.3
,
6.3
,
3.3
,
6.0
,
2.5
,
5.8
,
2.7
,
5.1
,
1.9
,
7.1
,
3.0
,
5.9
,
2.1
,
6.3
,
2.9
,
5.6
,
1.8
,
6.5
,
3.0
,
5.8
,
2.2
,
7.6
,
3.0
,
6.6
,
2.1
,
4.9
,
2.5
,
4.5
,
1.7
,
7.3
,
2.9
,
6.3
,
1.8
,
6.7
,
2.5
,
5.8
,
1.8
,
7.2
,
3.6
,
6.1
,
2.5
,
6.5
,
3.2
,
5.1
,
2.0
,
6.4
,
2.7
,
5.3
,
1.9
,
6.8
,
3.0
,
5.5
,
2.1
,
5.7
,
2.5
,
5.0
,
2.0
,
5.8
,
2.8
,
5.1
,
2.4
,
6.4
,
3.2
,
5.3
,
2.3
,
6.5
,
3.0
,
5.5
,
1.8
,
7.7
,
3.8
,
6.7
,
2.2
,
7.7
,
2.6
,
6.9
,
2.3
,
6.0
,
2.2
,
5.0
,
1.5
,
6.9
,
3.2
,
5.7
,
2.3
,
5.6
,
2.8
,
4.9
,
2.0
,
7.7
,
2.8
,
6.7
,
2.0
,
6.3
,
2.7
,
4.9
,
1.8
,
6.7
,
3.3
,
5.7
,
2.1
,
7.2
,
3.2
,
6.0
,
1.8
,
6.2
,
2.8
,
4.8
,
1.8
,
6.1
,
3.0
,
4.9
,
1.8
,
6.4
,
2.8
,
5.6
,
2.1
,
7.2
,
3.0
,
5.8
,
1.6
,
7.4
,
2.8
,
6.1
,
1.9
,
7.9
,
3.8
,
6.4
,
2.0
,
6.4
,
2.8
,
5.6
,
2.2
,
6.3
,
2.8
,
5.1
,
1.5
,
6.1
,
2.6
,
5.6
,
1.4
,
7.7
,
3.0
,
6.1
,
2.3
,
6.3
,
3.4
,
5.6
,
2.4
,
6.4
,
3.1
,
5.5
,
1.8
,
6.0
,
3.0
,
4.8
,
1.8
,
6.9
,
3.1
,
5.4
,
2.1
,
6.7
,
3.1
,
5.6
,
2.4
,
6.9
,
3.1
,
5.1
,
2.3
,
5.8
,
2.7
,
5.1
,
1.9
,
6.8
,
3.2
,
5.9
,
2.3
,
6.7
,
3.3
,
5.7
,
2.5
,
6.7
,
3.0
,
5.2
,
2.3
,
6.3
,
2.5
,
5.0
,
1.9
,
6.5
,
3.0
,
5.2
,
2.0
,
6.2
,
3.4
,
5.4
,
2.3
,
5.9
,
3.0
,
5.1
,
1.8
);
Mat
labels
=
(
Mat_
<
int
>
(
150
,
1
)
<<
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
...
...
@@ -260,6 +250,7 @@ void CV_LRTest_SaveLoad::run( int /*start_from*/ )
float
errorCount
=
0.0
;
LogisticRegressionParams
params1
=
LogisticRegressionParams
();
LogisticRegressionParams
params2
=
LogisticRegressionParams
();
params1
.
alpha
=
1.0
;
params1
.
num_iters
=
10001
;
...
...
@@ -273,7 +264,7 @@ void CV_LRTest_SaveLoad::run( int /*start_from*/ )
// run LR classifier train classifier
LogisticRegression
lr1
(
data
,
labels
,
params1
);
LogisticRegression
lr2
;
LogisticRegression
lr2
(
params2
)
;
learnt_mat1
=
lr1
.
get_learnt_thetas
();
lr1
.
predict
(
data
,
responses1
);
...
...
@@ -282,7 +273,11 @@ void CV_LRTest_SaveLoad::run( int /*start_from*/ )
string
filename
=
cv
::
tempfile
(
".xml"
);
try
{
lr1
.
save
(
filename
.
c_str
());
//lr1.save(filename.c_str());
FileStorage
fs
;
fs
.
open
(
filename
.
c_str
(),
FileStorage
::
WRITE
);
lr1
.
write
(
fs
);
fs
.
release
();
}
catch
(...)
...
...
@@ -293,7 +288,12 @@ void CV_LRTest_SaveLoad::run( int /*start_from*/ )
try
{
lr2
.
load
(
filename
.
c_str
());
//lr2.load(filename.c_str());
FileStorage
fs
;
fs
.
open
(
filename
.
c_str
(),
FileStorage
::
READ
);
FileNode
fn
=
fs
.
root
();
lr2
.
read
(
fn
);
fs
.
release
();
}
catch
(...)
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录