cnn 卷積神經網絡 人臉識別

　　卷積網絡博大精深，不同的網絡模型，跑出來的結果是不一樣，在不知道使用什么網絡的情況下跑自己的數據集時，我建議最好去參考基於cnn的手寫數字識別網絡構建，在其基礎上進行改進，對於一般測試數據集有很大的幫助。

分享一個網絡構架和一中訓練方法：

# coding:utf-8
import os
import tensorflow as tf

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'


# cnn模型高度抽象特征
def cnn_face_discern_model(X_,Y_):
    weights = {
        "wc1":tf.Variable(tf.random_normal([3,3,1,64],stddev=0.1)),
        "wc2":tf.Variable(tf.random_normal([5,5,64,128],stddev=0.1)),
        "wd3":tf.Variable(tf.random_normal([7*7*128,1024],stddev=0.1)),
        "wd4": tf.Variable(tf.random_normal([1024, 12], stddev=0.1))
    }
    biases = {
        "bc1":tf.Variable(tf.random_normal([64],stddev=0.1)),
        "bc2":tf.Variable(tf.random_normal([128],stddev=0.1)),
        "bd3": tf.Variable(tf.random_normal([1024],stddev=0.1)),
        "bd4": tf.Variable(tf.random_normal([12],stddev=0.1))
    }
    x_input =  tf.reshape(X_,shape=[-1,28,28,1])

    # 第一層卷積層
    _conv1 = tf.nn.conv2d(x_input,weights["wc1"],strides=[1,1,1,1],padding="SAME")
    _conv1_ = tf.nn.relu(tf.nn.bias_add(_conv1,biases["bc1"]))
    # 第一層池化層
    _pool1 = tf.nn.max_pool(_conv1_,ksize=[1,2,2,1],strides=[1,2,2,1],padding="SAME")
    # 第一層失活層
    _pool1_dropout = tf.nn.dropout(_pool1,0.7)

    # 第二層卷積層
    _conv2 = tf.nn.conv2d(_pool1_dropout,weights["wc2"],strides=[1,1,1,1],padding="SAME")
    _conv2_ = tf.nn.relu(tf.nn.bias_add(_conv2,biases["bc2"]))
    # 第二層池化層
    _pool2 = tf.nn.max_pool(_conv2_,ksize=[1,2,2,1],strides=[1,2,2,1],padding="SAME")
    # 第二層失活層
    _pool2_dropout =  tf.nn.dropout(_pool2,0.7)

    # 使用全連接層提取抽象特征
    # 全連接層1
    _densel =  tf.reshape(_pool2_dropout,[-1,weights["wd3"].get_shape().as_list()[0]])
    _y1 = tf.nn.relu(tf.add(tf.matmul(_densel,weights["wd3"]),biases["bd3"]))
    _y2 = tf.nn.dropout(_y1,0.7)
    # 全連接層2
    out = tf.add(tf.matmul(_y2,weights["wd4"]),biases["bd4"])

    # 損失函數 loss
    loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(labels=Y_, logits=out))  # 計算交叉熵

    # 優化目標 optimizing
    optimizing = tf.train.AdamOptimizer(0.001).minimize(loss)  # 使用adam優化器來以0.0001的學習率來進行微調



    # 精確度 accuracy
    correct_prediction = tf.equal(tf.argmax(Y_, 1), tf.argmax(out, 1))  # 判斷預測標簽和實際標簽是否匹配
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))



    return {
        "loss":loss,
        "optimizing":optimizing,
        "accuracy":accuracy,
        "out":out
    }

　　

批量訓練方法：

# 開始准備訓練cnn
X = tf.placeholder(tf.float32,[None,28,28,1])
# 這個12屬於人臉類別，一共有幾個id
Y = tf.placeholder(tf.float32, [None,12])


# 實例化模型
cnn_model = cnn_face_discern_model(X,Y)

loss,optimizing,accuracy,out = cnn_model["loss"],cnn_model["optimizing"],cnn_model["accuracy"],cnn_model["out"]


# 啟動訓練模型
bsize = 960/60

with tf.Session() as sess:
    # 實例所有參數
    sess.run(tf.global_variables_initializer())
    for epoch in range(100):
        for i in range(15):
            x_bsize,y_bsize = x_train[i*60:i*60+60,:,:,:],y_train[i*60:i*60+60,:]
            sess.run(optimizing,feed_dict={X:x_bsize,Y:y_bsize})

        if (epoch+1)%10==0:
            los = sess.run(loss,feed_dict={X:x_test,Y:y_test})
            acc = sess.run(accuracy,feed_dict={X:x_test,Y:y_test})

            print("epoch:%s loss:%s accuracy:%s"%(epoch,los,acc))

    score= sess.run(accuracy,feed_dict={X:x_test,Y:y_test})

    y_pred = sess.run(out,feed_dict={X:x_test})

    # 這個是類別，測試集預測出來的類別。
    y_pred = np.argmax(y_pred,axis=1)

    print("最后的精確度為：%s"%score)