Python · cv2（零）

01-25

cv2 是庫的名字，我安裝的其實是 cv3；至於為啥它 import 時叫 cv2、我也不知道（攤手）

【根據評論區@楊榮釗指點，opencv 目錄下的某個地方有兩個文件夾 opencv 和 opencv2；opencv2 是 c++ 介面的，opencv 是 c 介面的】

【根據評論區@Boss Kwei 指點，opencv 1 系列是最早的版本，只有純 c 的介面，頭文件在 opencv 下。然後隨著這個庫升級到了 opencv 2，內部幾乎被完全重寫了，是 c++ 實現，頭文件是 opencv2 / opencv.hpp。在然後這個庫到了 3 版本，3 版本對於之前來說變化不大（但是內部實改動很大），外部 api 基本保持了不變，所以仍然是 opencv2】

但不管怎麼說，它是一個功能非常強大的庫，可以做到的事情包括但不限於：

各種調教（視頻！）
各種圖片處理
各種可視化

在機器學習裡面，實際應用時可能用得比較多的是前兩個；但自己實現模型並想要評估模型表現時、我們常常會用到 cv2 靈活的可視化能力

先說 cv2（以及大概是其它圖像處理庫共有）的特性：

基本上所有東西都是一個 Numpy 數組

所以，無論是怎樣調教、怎樣處理，本質都是對一個（高維）Numpy 數組中某些數字的調整

如果要詳細講解 cv2 的話，毫不誇張地說、是可以出一本書的（大概已經有這樣的書了？），是故這一章我們會專註於如何利用它來進行一些結構的可視化。更進一步地，我只打算講講如何僅通過四個最基本的元素：字、線、圓、方來進行（雖然有點丑但是）還過得去的可視化

但即使如此，感覺這些東西也不是一章能夠講完的、所以還是決定分著講

作為第零章，我們先看看效果（從而免得觀眾老爺們出現看了好幾章後才發現「咦這個人最終弄出來的效果原來這麼 sb 我到底為什麼要看那麼久呢」的情況（躺））

決策樹的可視化：

（理論上是任意結構都能可視化出來的、不過個人建議太複雜的還是不要強行畫……）
神經網路的可視化
這一部分我是受了 Tensorflow Playground 的啟發後做出來的。當時票圈裡面有人貼它的鏈接，我點進去後被震了一下：
「噫！這東西有點厲害！」
然後想了想又震了一下：

「噫！這東西我能做！」
然後最終弄出來了一個思想差不多但丑了大概一百倍的東西。動圖可以猛戳這裡觀看，這裡就只截個屏吧：
（嗚哇……貼出來之後才發現真是丑得不忍直視……）
稍微說明一下：
- 每個小正方形代表一個神經元，橙色部分是激活的部分；最後兩層都是輸出層
- 中間那坨亂七八糟的線的顏色、粗細反映了對應權值的大小。具體而言有：
  - 越粗的線、對應的相對權值的絕對值越大
  - 越藍的線、對應的相對權值越小；反之，越橙的線相對權值越大
  所謂「相對權值」中的「相對」，指的是「相對該層所有權值平均值」
然後這玩意兒其實是會隨著模型的訓練而變化的、詳情可以參考 Tensorflow Playground、差不多就那個感覺
。要說我這個東西的唯一優勢，大概就是不限定層數、不限定單層的神經元個數而 Tensorflow Playground 最多只能有 6 層 8 個吧（蜜汁自豪）
當然層數、神經元個數多了的話、基本也只有最後的輸出層能看了……比如說：
訓練集是七條螺旋線；雖然最後一層的效果不錯，然而……

可以看到，這兩種可視化（雖然很醜但）確實只用到了之前所說的四種基本元素。想要把可視化做得更精美的話、確實需要用到更多的東西，但雖然上面兩種可視化比較丑、個人感覺已經能帶來比較好的直觀了

希望觀眾老爺們能夠喜歡~

（猛戳我進入下一章！ ( σ"ω")σ ）