智能驾驶感知模块的测试评估方法(上)

自动驾驶硬回灌和软回灌 自动驾驶系统中,"硬回灌"和"软回灌"通常用来描述两种不同的方法,用于将实时采集的数据或者更新信息反馈回系统中进行处理和决策。1.硬回灌:这种方法通常指的是将实时采集到的数据(比如传感器数据、摄像头图像等)直接反馈到自动驾驶系统的控制模块中,以实时更新系统的决策和行为。硬回灌通常是指实时性较高的数据反馈方式,能够在短时间内影响到系统的行为。2.软回灌:相对于硬回灌,软回灌更多地涉及到更新系统的软件、算法或者模型。 阅读详情
AI摘要

本文聚焦智能驾驶感知模块的传统评测方法。介绍了回灌和仿真两种评测手段,阐述了目标识别、速度识别等评测指标,强调评测场景需合理分布。还解释了精度、召回率、误检率等关键指标及其关系,指出自动驾驶要平衡精度与召回率,并给出智驾工程中的权衡策略。

 请点击文章末尾二维码,关注“智核工场”公众号,获取更多新鲜技术分享。

--------------------------------------------------------------------------------------------------------------------------------

0. 前言

      对于智能驾驶系统而言,感知模块是开发难度最大、投入资源最多的核心部分。在智能驾驶开发团队内部,感知模块需要独立进行评测才能及早发现潜在缺陷或判断性能是否有改进。随着近几年BEV、OCC、E2E等新技术方案被越来越多企业应用,感知的评测变得越来越艰难,效率也变得越来越低下。本文作者基于在智驾测试行业多年经验,试图总结感知评测的基本规律和效率提升方法,以供读者一些启发。

      本文将分上、下两部分进行介绍。上部分主要介绍传统感知模块评测的一些基本方法、评价指标以及部分指标的解读。下部分将介绍BEV、端到端系统的评测方式。读者可关注“智核工场”公众号,获得全面、连贯的信息分享。

Deep Learning for Autonomous Vehicles – Perception

1. 感知评测方法概述

     感知评测的方法大体上可以分为回灌、仿真两种手段。现阶段从实操效果对比看,回灌是效率最高、覆盖率最广的方式。未来,随着高置信度仿真技术的新突破,应该会迅速取代回灌测试。

     回灌测试大体可分三个关键步骤:

     1. 真值准备:把道路采集的海量数据进行清洗、切片,并完成真值标注,整理成“测试场景集”。

     2.回灌环境配置:需要将测试场景集与感知算法进行对接,依赖回灌工具将数据在时域对齐后“重播”给感知模块,获取并保存感知模块输出的预测结果。(此处有较多的技术细节,如板端回灌、云端回灌的一致性问题,海量场景多并发回灌等。) 

     3.对比真值与预测结果:设置各项评测指标以及阈值,对比真值和预测值的偏差。

      仿真的感知评测步骤与回灌类似,只是不需要额外去做真值准备,而是由仿真引擎直接输出真值,并可实时获取评测结果。

2. 感知评测指标

2.1 目标识别指标

     感知的目标识别指标,主要是针对目标的识别能力进行判断。常规的目标包括机动车、非机动车、车道线、斑马线、路沿、红绿灯、交通标识等。这些目标的核心评估指标如下:

  • 准确性:目标检测的召回率(Recall)、精确率(Precision)、误检率(FALSE Positive Rate)

  • 鲁棒性:光照变化(逆光/夜间)、极端天气(雨雪雾)、传感器噪声干扰下的性能衰减

  • 延迟与实时性:单帧处理延迟、端到端延迟(传感器输入到输出结果的响应时间)

收藏!一文读懂自动驾驶测试! 从场景架构来看,有不同的行驶场合,像高速公路、乡村道路、城市工况、机场、码头、封闭园区等;自动驾驶汽车测试是自动驾驶研发中的重要环节,也是自动驾驶技术发展的重要支撑,随着智能网联汽车高等级的自动化和网联化系统不断产业化落地,对测试的依赖越来越深入,尤其是面对即将量产落地的L3级以上自动驾驶产品,对现有的测试技术、标准和法规,都提出了新的挑战,需要新的技术突破。在仿真测试里,根据自动驾驶测试的关键要素,需要建如下的模型,包含最传统的车辆动力学模型、驾驶人模型、静态环境模型、动态交通模型、环境感知传感器模型。 阅读详情

相关推荐

自动驾驶环境感知之激光雷达物体检测算法

(1)大致流程输入点:X,Y,Z和反射强度R点云:多个点的集合(它是无序的,非结构化的数据)输出目标的类别和置信度目标的边框(Bounding Box):中心点3D坐标,长宽高,旋转角度目标的其他信息:速度,加速度等点云表示方法点视图(Point View, PV):原始点云集合俯视图(Brid’e Eye View, BEV):将点云量化为3D网格,将3D网格在高度方向上进行压缩可得到2D网格前视图(Range View, RV):将点云投影到图像平面。

LDST_CSDN的博客 3059

智能驾驶感知模块的测试评估方法(下):BEV与端到端系统评测实践

本文深入探讨了智能驾驶感知模块的测试评估方法,重点分析了BEV(Bird's Eye View)技术和端到端系统在评测中的独特挑战与实践经验。从数据对齐、评测指标设计到工程优化,提供了全面的解决方案和实战案例,为智能驾驶系统的测试评估提供了宝贵参考。

weixin_27372101的博客 177

智能驾驶感知模块评测实战:如何用回灌测试提升算法鲁棒性(附避坑指南)

本文深入探讨了智能驾驶感知模块评测的核心实战方法,重点阐述了如何通过构建完整的回灌测试体系来系统性提升算法鲁棒性。文章从测试场景设计、自动化流水线搭建,到超越基础指标的深度评估体系,提供了详尽的实施框架与避坑指南,旨在帮助工程师精准定位算法缺陷,驱动感知模块的持续优化与安全落地。

jupi8的博客 617

智能驾驶感知模块如何评估?从底层逻辑到核心指标的完整指南

智能驾驶系统的可靠性高度依赖感知模块对环境的准确理解,而感知测试评估并非简单跑一遍mAP分数即可。由于环境空间的巨大性与长尾分布特征,感知模块的错误具有概率性,需从功能正确性与系统鲁棒性两个层面构建评估逻辑。实践中,通过离线数据集、仿真测试、封闭场地与公开道路四种环境层层递进,结合检测、分割、跟踪等核心指标(如mAP、mIoU、MOTA)以及多维场景设计,才能系统逼近真实可靠性。本文梳理了感知测试评估的底层逻辑、环境选型、场景设计方法与常见工程陷阱,为智能驾驶感知系统的测试与落地提供参考。

weixin_29029995的博客 291

智能驾驶NOA业务说明和测试分析

NOA 模式,全称为 Navigate on Autopilot,即自动导航辅助驾驶模式。这是一种较为先进的汽车驾驶辅助功能。在满足一定条件的道路上,如高速公路,NOA 模式能够结合车辆的传感器数据、高精度地图以及导航信息,实现部分自动驾驶操作。

松勤软件测试 分享不同阶段的测试经验资料 1672

智能驾驶感知模块评测实战:如何用回灌测试提升BEV模型准确率(附数据集处理技巧)

本文深入探讨了如何通过诊断型回灌测试系统性地提升智能驾驶BEV感知模型的准确率与鲁棒性。文章详细拆解了从场景切片、时空对齐到多维指标分析的完整评测流水线,并针对BEV模型特有的深度估计、特征融合等环节提供了优化思路,旨在帮助工程师将海量路采数据转化为精准的模型迭代燃料。

weixin_29045585的博客 397

VUT、VT与GVT:智能驾驶测试中三类核心目标的工程辨析

在智能驾驶系统验证中,车辆感知能力的可靠性依赖于标准化测试目标的科学定义。VUT(被测车辆)作为数据源需具备高精度同步与全栈可观可控能力;VT(目标车辆)强调可编程动态行为与V2X交互性,是验证协同决策的关键载体;GVT(通用车辆目标)则通过RCS、点云密度与视觉纹理熵值等物理参数实现‘去人格化’抽象,支撑SOTIF与GB/T 39901-2021等法规下的鲁棒性评估。三者共同构成ADAS功能安全、AEB/LKA性能验证及多传感器融合测试的基础坐标系,其选型与标定直接决定测试结果的可复现性与认证通过率。

weixin_30607125的博客 287

基于Simulink实现电动汽车智能驾驶路径规划与决策仿真

通过上述步骤,我们成功实现了基于Simulink的电动汽车智能驾驶路径规划与决策仿真。该平台能够全面评估路径规划和决策系统的性能,验证设计的有效性,并通过优化设计提升自动驾驶的安全性和舒适性。引入智能算法:结合人工智能技术,实现更智能的路径规划和决策策略。扩展功能:增加对多种场景和交通条件的支持,提升平台通用性。实验验证:将仿真平台应用于实际硬件,进行实验验证,评估其在实际工况下的表现。

xiaoheshang_123的博客 171

手把手教你学simulink实例--基于Simulink的电动汽车智能驾驶辅助系统仿真

通过上述步骤,我们成功实现了基于Simulink的电动汽车智能驾驶辅助系统仿真。该系统能够全面评估ADAS的性能,验证控制策略的有效性,并通过优化设计提高驾驶的安全性、舒适性和效率。引入深度学习:结合神经网络技术,实现更智能的感知和决策。扩展功能:增加对多种车型和驾驶场景的支持,提升系统通用性。实验验证:将仿真模型应用于实际硬件,进行实验验证,评估其在实际工况下的表现。

MHD0815的博客 185

基于Simulink的电动汽车智能驾驶辅助系统场景适应性与鲁棒性仿真

随着自动驾驶技术的快速发展,智能驾驶辅助系统(ADAS, Advanced Driver Assistance Systems)在电动汽车中的应用越来越广泛。这些系统通过感知环境、规划路径和控制车辆来提高驾驶安全性、舒适性和效率。然而,智能驾驶辅助系统的性能受多种因素影响,包括复杂的交通场景、多变的道路条件以及不确定的外部干扰。为了验证智能驾驶辅助系统的。

xiaoheshang_123的博客 392

手把手教你学simulink实例--Simulink环境下电动汽车智能驾驶路径规划与决策仿真

通过上述步骤,我们成功实现了基于Simulink的电动汽车智能驾驶路径规划与决策仿真。该平台能够全面评估路径规划和决策系统的性能,验证设计的有效性,并通过优化设计提升自动驾驶的安全性和舒适性。引入智能算法:结合人工智能技术,实现更智能的路径规划和决策策略。扩展功能:增加对多种场景和交通条件的支持,提升平台通用性。实验验证:将仿真平台应用于实际硬件,进行实验验证,评估其在实际工况下的表现。

MHD0815的博客 155

Simulink开发项1000例实战专栏--实例178:基于Simulink实现电动汽车智能驾驶路径规划与决策仿真

通过上述步骤,我们成功实现了基于Simulink的电动汽车智能驾驶路径规划与决策仿真。该平台能够全面评估路径规划和决策系统的性能,验证设计的有效性,并通过优化设计提升自动驾驶的安全性和舒适性。引入智能算法:结合人工智能技术,实现更智能的路径规划和决策策略。扩展功能:增加对多种场景和交通条件的支持,提升平台通用性。实验验证:将仿真平台应用于实际硬件,进行实验验证,评估其在实际工况下的表现。

xiaoheshang_123的博客 136

手把手教你学simulink实例:Simulink环境下电动汽车智能驾驶路径规划与决策仿真

通过上述步骤,我们成功实现了基于Simulink的电动汽车智能驾驶路径规划与决策仿真。该平台能够全面评估路径规划和决策系统的性能,验证设计的有效性,并通过优化设计提升自动驾驶的安全性和舒适性。引入智能算法:结合人工智能技术,实现更智能的路径规划和决策策略。扩展功能:增加对多种场景和交通条件的支持,提升平台通用性。实验验证:将仿真平台应用于实际硬件,进行实验验证,评估其在实际工况下的表现。

MHD0815的博客 322

Simulink开发项1000例实战专栏--实例167:基于Simulink的电动汽车智能驾驶辅助系统场景适应性与鲁棒性仿真

随着自动驾驶技术的快速发展,智能驾驶辅助系统(ADAS, Advanced Driver Assistance Systems)在电动汽车中的应用越来越广泛。这些系统通过感知环境、规划路径和控制车辆来提高驾驶安全性、舒适性和效率。然而,智能驾驶辅助系统的性能受多种因素影响,包括复杂的交通场景、多变的道路条件以及不确定的外部干扰。为了验证智能驾驶辅助系统的。

xiaoheshang_123的博客 102

手把手教你学simulink实例--基于Simulink的电动汽车智能驾驶辅助系统场景适应性与鲁棒性仿真

随着自动驾驶技术的快速发展,智能驾驶辅助系统(ADAS, Advanced Driver Assistance Systems)在电动汽车中的应用越来越广泛。这些系统通过感知环境、规划路径和控制车辆来提高驾驶安全性、舒适性和效率。然而,智能驾驶辅助系统的性能受多种因素影响,包括复杂的交通场景、多变的道路条件以及不确定的外部干扰。为了验证智能驾驶辅助系统的。

MHD0815的博客 308

如何用Arduino和HX711压力传感器制作一个简易电子秤(含OLED显示)

本文详细介绍了如何使用Arduino、HX711压力传感器和OLED显示屏制作一个简易电子秤。从硬件连接到软件编程,提供了分步教程,包括核心元件功能解析、接线方法、库安装、模块测试以及关键的校准流程。项目实践性强,适合创客和DIY爱好者学习嵌入式系统与传感器应用。

tea88的博客 537

CS算法实战:用MATLAB从零实现SAR点目标成像(附完整代码)

本文详细介绍了如何使用MATLAB从零实现SAR点目标CS成像算法,涵盖Chirp Scaling(CS)算法的核心理论、距离徙动校正(RCMC)和方位压缩等关键步骤。通过完整的代码示例和实战技巧,帮助读者掌握SAR成像处理算法,提升遥感图像处理能力。

weixin_29211309的博客 182

使用 STM32F7 和 TensorFlow Lite 开发低功耗人脸识别设备

我们讨论了 STM32F7 的特点和能力,TensorFlow Lite 在 STM32F7 上的应用,以及一些降低功耗的优化技术。- 准备模型:选择合适的人脸识别模型,在 TensorFlow 中进行训练和导出,并使用 TensorFlow Lite 转换为适用于 STM32F7 的量化模型。请注意,上述代码仅展示了如何加载和运行 TensorFlow Lite 模型的方法,实际应用中需要集成人脸检测和识别模型,并根据实际需求进行相应的输入和输出处理。结合这两个工具,我们可以开发出低功耗的人脸识别设备。

weixin_66608063的博客 2590

稚晖君Dummy机械臂CAN总线控制详解:从代码到实战(附常见问题排查)

本文深入解析了稚晖君Dummy机械臂的CAN总线控制技术,从协议设计到代码实现,详细介绍了CAN总线在机械臂控制中的核心价值、通信协议栈设计、运动控制指令实现及常见问题排查方法。通过实战案例和代码示例,帮助开发者快速掌握机械臂CAN总线控制的关键技术。

uuu88的博客 297

GEE开发之ERA5(气温、降水、压力、风速等)数据获取和分析

前言:ERA5主要提供DAILY和MONTHLY两大类别数据,其中主要包括气温、降水、压力、风速等。

等待着冬天的风的博客 3万+

基于大疆TSDK与Pix4D的热红外数据工程化处理:从RJPG到温度正射影像的完整工作流

本文详细介绍了基于大疆TSDK与Pix4D的热红外数据工程化处理完整工作流。通过Python脚本自动化解析RJPG格式的热红外图像,提取并转换其中的原始辐射数据为包含真实温度信息的TIFF文件,再结合Pix4Dmapper进行批量拼接,最终生成可直接用于GIS分析的温度正射影像图。该流程解决了手动处理效率低下、参数校准复杂等难题,实现了从原始数据到定量分析成果的高效、准确、可重复生产。

weixin_29161785的博客 378

别再到处找资源了!WinCC 7.5 SP2官方下载与Windows 10保姆级安装避坑指南

本文提供了WinCC 7.5 SP2在Windows 10上的官方下载与安装全流程指南,重点解决了资源获取难、系统兼容性问题及分卷压缩处理等常见痛点。通过详细的步骤和实用技巧,帮助用户顺利完成安装并优化配置,适用于工控领域的学习者和从业者。

weixin_32924297的博客 507

MATLAB库函数unwrap(相位解卷绕)的C语言实现

什么是相位解卷绕 Q = unwrap(P) Q = unwrap(P) corrects the radian phase angles in a vector P by adding multiples of ±2π when absolute jumps between consecutive elements of P are greater than or equal to the default jump tolerance of π radians. If P is a matrix, unw

业精于勤,荒于嬉 4250

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

上一篇: 如何对智能驾驶的规控算法进行测评?
下一篇: 车企如何利用数据闭环服务智驾开发与测试
智核工场SmartCore
博客等级 码龄9年 120粉丝 13原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

智核工场SmartCore

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值