0.74转化成分数，0.74转化成分数是多少

点击上方，进入AllinAI中文手势预测动作。

您可以在此处的Github项目存储库中找到代码，或在此处查看最终的演示幻灯片。

灵感

想象一下，您正在举办一个生日聚会，每个人都玩得很开心，音乐也达到了极限。抖音上喊天猫精灵、小米小爱等智能音箱的场景在这里行不通。此时，您很可能根本听不到任何音频，并且您基本上无法找到遥控器。识别出这个动作后，你可以关掉音乐，然后打开灯来照亮生日男孩的脸。其实有点浪漫，也有点酷。

背景

我长期以来一直对手势检测感到好奇。我记得微软Kinect刚世的时候。我只需挥手就可以玩并控制屏幕。慢慢地，随着GoogleHome和AmazonAlexa等设备的推出，手势检测似乎失去了语音雷达的支持。但随着FacebookPortal和AmazonEchoShow等视频设备的推出，我想看看是否有可能构建一个可以实时识别我的手势并运行智能家居设备的神经网络！

数据和我的初始模型

我对这个想法感到兴奋，并立即采取行动，就像我被大炮射中一样。我开始使用Kagglecom的手势识别数据库并探索这些数据。它由20,000个标记手势组成，如下所示。

奇怪的图像但丰富的标签

我在阅读这些图像时遇到的第一个题是它们是黑白的。这意味着NumPy数组只有1个通道，而不是3个。因此，这些图像不能用于预训练的VGG-16模型，因为该模型需要RGB的三通道图像。此题已在图像列表X_data上使用npstack得到解决。

克服这个障碍后，我们开始使用训练测试分割来构建一个模型，该模型可以准确显示照片中10个人中的2人。重新运行基于VGG-16架构的模型后，我的模型获得了074的总体F1分数。这非常好，因为对10个类别的随机测只能给出10的平均准确度。

但训练模型来识别同质数据集中的图像是一回事。另一种方法是训练它识别以前从未见过的图像。我尝试调整照片的照明并使用深色背景来模仿模型训练时使用的照片。

我还尝试了图像增强——翻转、倾斜、旋转等。图像比以前更好了，但结果仍然——不可预测且无法接受。我需要重新思考这一点，并想出一种创造性的方法来使这个项目取得成功。

要点训练模型尽可能接近真实图像。

重新思考题

我决定尝试一些新的东西。训练数据的奇怪外观与我的模型在现实生活中看到的图像之间似乎存在明显的脱节。我决定尝试构建自己的数据集。

我一直在使用OpenCV（一个开源计算机视觉库），并且需要为我的工程师提供一个解决方案，让我能够从屏幕上抓取图像，然后缩放图像并将其转换为我的模型可以理解的NumPy数组。这是我用来转换数据的方法

简而言之，一旦相机启动并运行，您就可以获取帧，对其进行转换，并从模型中获得预测。

我在网络摄像头和模型之间的连接管道方面取得了巨大成功。我开始思考作为模型输入的理想图像是什么。一个明显的障碍是难以区分感兴趣区域和背景。

手势提取

我使用的方法是背景减除，这是熟悉Photoshop的人都熟悉的方法。基本上，如果您在手进入场景之前拍摄一张手的照片，则可以创建一个“蒙版”，删除新图像中除手之外的所有内容。

背景遮蔽和二值图像阈值处理

我们从图像中减去背景，然后使用二值阈值使目标运动完全白色，背景完全黑色。我选择这种方法有两个原因。通过使手部轮廓清晰锐利，可以更轻松地将模型推广到不同肤色的用户。这创建了最终训练模型的逼真“剪影”。

构建新数据集

现在我可以准确地检测到我手中的图像，我决定尝试一些新的东西。我现有的模型不能很好地概括，我的最终目标是建立一个可以实时识别我的手势的模型。所以我决定建立自己的数据集。

我决定重点关注五个手势。

我战略性地选择了Kaggle数据集中也包含的四个手势，以便我稍后可以在这些图像上交叉验证我的模型。

在这里，我们通过设置网络摄像头并在OpenCV中创建单击绑定来捕获图像并使用唯一的文件名保存它们来构建数据集。为了使模型更加完整，我们想要改变帧内手势的位置和大小。我们快速构建了一个数据集，每个数据集包含550张剪影图像。是的，你没看错。我拍了2700多张照片。

训练新模型

然后，我们使用Keras和TensorFlow构建了一个卷积神经网络。我开始使用优秀的VGG-16预训练模型，并在其顶部添加了4个密集层和一个下降层。

然后，我采取了不寻常的步骤，在原始Kaggle数据集上交叉验证我的模型，这是我之前尝试过的。这是关键。如果新模型不能泛化到之前没有训练过的其他人的手部图像，那么它并不比原始模型更好。

为此，我们对每个Kaggle图像应用了与训练数据——背景扣除和二元阈值处理相同的变换。这使它具有类似于我的模型的熟悉的“外观”。

L，我明白了。Palm转换了Kaggle数据集手势。

结果

该模型的性能超出了我们的预期。它对测试集中的几乎所有手势进行了正确分类，F1得分为98%，精确度和准确度得分为98%。这是个好消息！

任何经验丰富的研究人员都知道，在实验室中运行良好但在现实生活中表现不佳的模型没有什么价值。在经历了初始模型中相同的故障后，该模型在实时运行中表现良好。

智能家居集成

在测试该模型之前，我一直是一名智能家居爱好者，我的愿景一直是用手势控制我的Sonos和PhilipsHue灯。为了轻松访PhilipsHue和SonosAPI，我们分别使用了phue和SoCo库。它非常简单且易于使用，如下所示。

SoCo让通过WebAPI控制Sonos变得更加容易。

然后，我们为不同的手势创建绑定，以使用智能家居设备执行不同的任务。

当我最终实时测试我的模型时，我对结果非常满意。该模型大部分时间都能准确预测我的动作，我能够用它来控制灯光和音乐。要查看演示，请参阅

一、一建实务考试分数的0.5分怎么取舍？

第一次建筑实践考试分数的选取原则上遵循以下原则。1-如果小数点大于或等于0~25，则四舍五入。即0-25到0-74被认为是0-5。2-如果小数点小于0-25，则丢弃。即0~0~24均视为0。例如，如果考生的实践考试成绩为84-7，则小数部分为0-7，大于或等于0-25，因此如果考生的实践考试成绩为84，则最终成绩四舍五入为85。-2，小数部分为0-2，小于0-25，所以最终成绩四舍五入为84。这只是一般性的权衡原则，具体的权衡规定可能会根据地区或测试机构的不同而有所不同，因此最好在实际检查时查看具体的权衡细节。关闭规则。

二、4除以0.74等于多少？

除数是整数，被除数是小数。首先，您需要将0到74的被除数乘以100，然后再除以除数。为了保持相同的计算结果，被除数4也必须扩大到100。加倍和除数也必须扩大100倍。最后，将4x100除以-0-74x100。只需将400除以74即可。该除法的商就是我们要寻找的数字。最后，我们计算出5作为剩下的20。

三、小数加减法？

42-56+3-124=45-68481_30-75=50-2515-6十0-237=15-837148-2_25-62_24-38=98-24-52_0-74-0-26=3-520-42+5-4+1-58+2-6=105-9+28-65_16-57=17-9857-5_3-25_16-75=37-56-02+3-6+1-98=11-61-29+3-7+2-71+6-3=143-07_0-38_1-62=1-07上述一些题可以使用加法交换律以简单的方式计算。这里我就不一一解释了。计算方式是整数加整数，如果小数部分达到1，则小数部分上升一位。扩展信息十进制数是表示实数的特殊形式。所有分数都可以表示为小数。小数点是整数部分与小数部分相除的数字。整数部分为0的小数称为纯小数，整数部分不为0的小数称为混合小数。

如果诸位还想知道更多的0.74转化成分数和0.74转化成分数是多少相关的详细内容，记得订阅收藏本站。