Accord.NET重啟4.0 開發

Posted on 2020-12-182020-12-18 by admin

Accord.NET Framework是在AForge.NET基礎上封裝和進一步開發來的。功能也很強大，因為AForge.NET更注重與一些底層和廣度，而Accord.NET Framework更注重與機器學習這個專業，在其基礎上提供了更多統計分析和處理函數，包括圖像處理和計算機視覺算法，所以側重點不同，但都非常有用。 官方網站：http://accord-framework.net/

在項目中斷2年時間之後，作者cesarsouza 在2020年5月1日更新了項目狀態， 他在歐洲完成博士，雖然他的工作中主要使用Python完成他的工作，但是他喜歡C#/.NET，一直在考慮Accprd.NET的發展問題，5月15日重新設定了4.0 版本的路線圖https://github.com/accord-net/framework/issues/2123，其中他寫道：“我看到這個項目仍然被認為對許多人有用，我不認為讓項目消亡符合任何人的利益。我最初認為這個項目將由ML.NET取代，但事實並非如此。我們可以轉換框架，轉而與它合作。”

我們在ML.NET的最初宣布文章中有Accord.NET的影子：

CNTK 已經死了，目前只有 Tensoflow.NET在蓬勃發展，發展的情況很不錯，隨着Accord.NET的加入，這個生態又重新激活，期待大家一起加入，推動.NET機器學習生態的發展。

（一）框架的三大功能模塊

Accord.NET框架主要有三個大的功能性模塊。

分別為科學技術，
信號與圖像處理，
支持組件。

下面將對3個模型的命名空間和功能進行簡單介紹。可以讓大家更快的接觸和了解其功能是否是自己想要的，下面是主要的命名空間介紹。

（二）科學計算

Accord.Math:包括矩陣擴展程序，以及一組矩陣數值計算和分解的方法，也包括一些約束和非約束問題的數值優化算法，還有一些特殊函數以及其他一些輔助工具。

Accord.Statistics:包含概率分佈、假設檢驗、線性和邏輯回歸等統計模型和方法,隱馬爾科夫模型,(隱藏)條件隨機域、主成分分析、偏最小二乘判別分析、內核方法和許多其他相關的技術。

Accord.MachineLearning: 為機器學習應用程序提供包括支持向量機,決策樹,樸素貝恭弘=叶恭弘斯模型,k-means聚類算法,高斯混合模型和通用算法如Ransac,交叉驗證和網格搜索等算法。

Accord.Neuro:包括大量的神經網絡學習算法,如Levenberg-Marquardt，Parallel Resilient Backpropagation,Nguyen-Widrow初始化算法,深層的信念網絡和許多其他神經網絡相關的算法。具體看參考幫助文檔。

（三）信號與圖像處理

Accord.Imaging:包含特徵點探測器(如Harris, SURF, FAST and FREAK),圖像過濾器、圖像匹配和圖像拼接方法,還有一些特徵提取器。

Accord.Audio:包含一些機器學習和統計應用程序說需要的處理、轉換過濾器以及處理音頻信號的方法。

Accord.Vision:實時人臉檢測和跟蹤,以及對人流圖像中的一般的檢測、跟蹤和轉換方法，還有動態模板匹配追蹤器。

（四）支持組件

主要是為上述一些組件提供數據显示，繪圖的控件，分為以下幾個命名空間：

Accord.Controls:包括科學計算應用程序常見的柱狀圖、散點圖和表格數據瀏覽。

Accord.Controls.Imaging:包括用來显示和處理的圖像的WinForm控件，包含一個方便快速显示圖像的對話框。

Accord.Controls.Audio:显示波形和音頻相關性信息的WinForm控件。

Accord.Controls.Vision:包括跟蹤頭部,臉部和手部運動以及其他計算機視覺相關的任務WinForm控件。

（五）支持的算法介紹

下面將Accord.NET框架包括的主要功能算法按照類別進行介紹。來源主要是官網介紹，進行了簡單的翻譯和整理。

1、分類(Classification)

SVM(支持向量機，類SupportVectorMachine、類KernelSupportVectorMachine、類SequentialMinimalOptimization—序列最小優化算法)、

K-NN鄰近算法（類KNearestNeighbors）；

Logistic Regression(邏輯回歸)、

Decision Trees(決策樹，類DecisionTree、ID3Learning、C45Learning)、

Neural Networks(神經網絡)、

Deep Learning(深度學習)

(Deep Neural Networks深層神經網絡)、

Levenberg-Marquardt with Bayesian Regularization、

Restricted Boltzmann Machines(限制玻耳茲曼機)、

Sequence classification (序列分類),

Hidden Markov Classifiers and Hidden Conditional Random Fields(隱馬爾科夫分類器和隱藏條件隨機域)。

2、回歸(Regression)

Multiple linear regression(多元線性回歸-單因變量多自變量)、

SimpleLinearRegression（線性回歸，類SimpleLinearRegression）、

Multivariate linear regression(多元線性回歸-多因變量多自變量)、polynomial regression (多項式回歸)、logarithmic regression(對數回歸)、Logistic regression(邏輯回歸)、multinomial logistic regression(多項式邏輯回歸)(softmax) and generalized linear models(廣義線性模型)、L2-regularized L2-loss logistic regression , L2-regularized logistic regression , L1-regularized logistic regression , L2-regularized logistic regression in the dual form and regression support vector machines。

3、聚類(Clustering)

K-Means、K-Modes、Mean-Shift(均值漂移)、Gaussian Mixture Models(高斯混合模型)、Binary Split(二元分裂)、Deep Belief Networks(深層的信念網絡)、 Restricted Boltzmann Machines(限制玻耳茲曼機)。聚類算法可以應用於任意數據,包括圖像、數據表、視頻和音頻。

4、概率分佈(Distributions)

包括40多個分佈的參數和非參數估計。包括一些常見的分佈如正態分佈、柯西分佈、超幾何分佈、泊松分佈、伯努利；也包括一些特殊的分佈如Kolmogorov-Smirnov , Nakagami、Weibull、and Von-Mises distributions。也包括多元分佈如多元正態分佈、Multinomial 、Independent 、Joint and Mixture distributions。

5、假設檢驗(Hypothesis Tests)

超過35統計假設測試,包括單向和雙向方差分析測試、非參數測試如Kolmogorov-Smirnov測試和媒體中的信號測試。contingency table tests such as the Kappa test，with variations for multiple tables , as well as the Bhapkar and Bowker tests; and the more traditional Chi-Square , Z , F , T and Wald tests .

6、核方法(Kernel Methods)

內核支持向量機,多類和多標籤向量機、序列最小優化、最小二乘學習、概率學習。Including special methods for linear machines such as LIBLINEAR’s methods for Linear Coordinate Descent , Linear Newton Method , Probabilistic Coordinate Descent , Probabilistic Coordinate Descent in the Dual , Probabilistic Newton Method for L1 and L2 machines in both the dual and primal formulations .

7、圖像(Imaging)

興趣和特徵點探測器如Harris,FREAK,SURF,FAST。灰度共生矩陣,Border following,Bag-of-Visual-Words (BoW),RANSAC-based homography estimation , integral images , haralick textural feature extraction , and dense descriptors such as histogram of oriented gradients (HOG) and Local Binary Pattern (LBP).Several image filters for image processing applications such as difference of Gaussians , Gabor , Niblack and Sauvola thresholding。還有幾個圖像處理中經常用到的圖像過濾器。

8、音頻信號(Audio and Signal)

音頻信號的加載、解析、保存、過濾和轉換,如在空間域和頻域應用音頻過濾器。WAV文件、音頻捕捉、時域濾波器,高通,低通,波整流過濾器。Frequency-domain operators such as differential rectification filter and comb filter with Dirac’s delta functions . Signal generators for Cosine , Impulse , Square signals.

9、視覺(Vision)

實時人臉檢測和跟蹤,以及圖像流中檢測、跟蹤、轉換的一般的檢測方法。Contains cascade definitions , Camshift and Dynamic Template Matching trackers . Includes pre-created classifiers for human faces and some facial features such as noses。

10、降維技術

SVD奇異值分解（OctaveEnvironment.svd方法）;

PCA主成分分析（類PrincipalComponent）;

ICA獨立成份分析(類IndependentComponetAnalysis)

11、算法精度測算

混淆矩陣(類ConfusionMatrix)；

ROC曲線評估(類ReceiverOperatingCharacteristic);

Bootstrap算法（自助算法；類(Bootstrap)）;

CrossValidation算法(交叉檢驗;類(CrossValidation));

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※網頁設計公司推薦不同的風格，搶佔消費者視覺第一線

※廣告預算用在刀口上，台北網頁設計公司幫您達到更多曝光效益

※自行創業缺乏曝光? 網頁設計幫您第一時間規劃公司的形象門面

※南投搬家公司費用需注意的眉眉角角，別等搬了再說!

※教你寫出一流的銷售文案?

標籤

近期文章