在OpenCv C++中可以用BigInt标记训练特征向量模型吗？
我试图用OpenCv和C++实现一个人脸识别软件。我的问题是，我有很多脸，超过1000万，不能只是使用INT类型（vector/INT/labels）标记。我尝试使用long long int，但经过一段时间的训练（0.5秒后），我得到了这个错误：
OpenCV错误：错误的参数（标签必须作为整数(CV_32SC1)给出。应为4，但为7。）在train中，文件/home/roka/opencv-2.4.6.1/modules/contrib/src/facerec.cpp中，第349行在抛出“cv：：exception”实例后调用终止：what（）：/home/roka/opencv-2.4.6.1/modules/contrib/src/facerec.cp:349:错误：（-5）标签必须以整数形式给出(CV_32SC1)。预期为4，但实际为7。在功能训练
共有1个答案
如果你要寻找数百万张脸，你会遇到更多的问题，而不是因为ints太小而无法标记它们。
特征面方法需要的内存远远超过一台机器所能容纳的内存，因为你需要在一次训练中给它所有可用的数据。
您必须将数据分成几个块，并选择一个algo（即lbp)，该algo可以与独立的测量相结合。另外，您还需要一个单独的索引，它将int标签（从本地识别）再次转换为全局bigint标签
-
文章信息 通过本教程，你可以掌握技能：使用预先训练的词向量和卷积神经网络解决一个文本分类问题 本文代码已上传到Github 本文地址：http://blog.keras.io/using-pre-trained-word-embeddings-in-a-keras-model.html 本文作者：Francois Chollet 什么是词向量? ”词向量”（词嵌入）是将一类将词的语义映射到向量空间
-
在之前的描述中，我们通常把机器学习模型和训练算法当作黑箱子来处理。如果你实践过前几章的一些示例，你惊奇的发现你可以优化回归系统，改进数字图像的分类器，你甚至可以零基础搭建一个垃圾邮件的分类器，但是你却对它们内部的工作流程一无所知。事实上，许多场合你都不需要知道这些黑箱子的内部有什么，干了什么。 然而，如果你对其内部的工作流程有一定了解的话，当面对一个机器学习任务时候，这些理论可以帮助你快速的找到恰
-
在之前的描述中，我们通常把机器学习模型和训练算法当作黑箱子来处理。如果你实践过前几章的一些示例，你惊奇的发现你可以优化回归系统，改进数字图像的分类器，你甚至可以零基础搭建一个垃圾邮件的分类器，但是你却对它们内部的工作流程一无所知。事实上，许多场合你都不需要知道这些黑箱子的内部有什么，干了什么。 然而，如果你对其内部的工作流程有一定了解的话，当面对一个机器学习任务时候，这些理论可以帮助你快速的找到恰
-
特征值
-
引言 这篇文档会介绍如何用 darknet 训练一个 YOLOv2 目标检测模型，看完这篇文档会发现：模型训练和预测都非常简单，最花时间的精力的往往是训练集的数据预处理。 这里先简单介绍一下 目标分类 (Classification) 和 目标检测 (Detection) 的区别？什么是 YOLO？以及什么是 darknet？ 下面这张图很清晰地说明了目标分类： 一张图片作为输入，然后模型就会告诉
-
我正在尝试训练opennlp词性标记器，它会根据我的特定词汇在句子中标记单词。例如： 正常词性标注后： 句子：NodeManager/NNP失败/VBD to/TO start/VB the/DT server/NN 使用我的词性标注模型后： 句子：NodeManager/AGENT失败/其他到/其他启动/其他/其他服务器/对象 其中AGENT，OTHER，OBJECT是我定义的标签。 所以基本上