以下是從入坑到脫坑的全過程
本文的目的是什么？
目前，人臉識別的應用已經非常普遍，人臉識別的技術也非常成熟，（想了解人臉識別原理的同學點這里）一般情況我們可以選擇付費的api，如果《窮》就可以選擇一些開源的項目加以改進。但是實際項目如果是牛臉識別，豬臉識別，狗臉識別，貓臉識別呢！這種需求是存在的，但是就不會有那么多資源，甚至沒有資源供我們自己使用，然后我們自然地就想到能否把人臉識別的相關技術用在上面呢！我不知道這個技術是否可行，但人們總會先把過去成功的經驗用在相似的事情上。可以確定的是人臉識別所用到的所有模型不可能拿來直接用，因為它不可能把牛臉當作人臉，但是我們可以用回歸模型訓練的思路，用相對應的數據，去訓練對應的模型。也就是如果一個模型可以通過訓練進行人臉識別，那么只要不改變網絡結構，只是重新訓練模型的權重，那么牛臉識別，貓臉識別也應該能做到。
總結一下本文的目的
最后總結一下就是，我希望可以找到一個模型A，適用於牛臉識別，但苦於沒有數據，我只能用現成的/但又黑盒的人臉識別模型生成人臉特征數據，用這批特征數據去驗證模型A。（如果能找到開源的人臉特征點提取模型（是提取landmark坐標點的模型，不是將人臉圖像降維到一定長度的模型），就不用靠猜的了）
選擇模型
這個實驗我打算用inception-V3作為基礎模型，在后面接上兩層全連接，變成一個新的網絡。（為什么要加兩層全連接，我是猜的，模型搭建經驗不足啊！！！）
為什么用inception呢，因為它已經被大量用到一些分類識別的項目上了，說明它的卷積層還是可以抓到圖像信息的，所以我將它的卷積部分的權重凍結，算上后加上的兩層全連接，這個實驗僅訓練后三層網絡。
數據制作
本次實驗我只想訓練模型能夠提取人臉68個特征點坐標，因此我找到都是人臉圖像（不包含復雜背景，只有頭的那種），作為訓練用到的模型輸入數據，同時也做了圖像增強，旋轉/平移/縮放……
用開源項目把這些人臉圖進行特征點標記，並存起來當作我的labels
模型訓練代碼
略……
預測結果
模型訓練完，無論給模型輸入什么圖像，輸出都一樣，無論什么圖片，輸出總是在圖片的同一個位置畫出人臉特征點。
分析與再次嘗試
2020-8-19:即便是輸入模型全零矩陣，也會有同樣的輸出，輸入與輸出沒有建立一種映射關系，僅僅找到了一個輸出，能讓所有標簽loss平均最小，是模型結構問題？損失函數問題？，很有可能是模型的問題，無論輸入什么圖像，模型的某些層會消除所有差異，導致輸出恆定不變！准備嘗試resnet50模型，還不行就嘗試自己建立模型，至少做到輸出會隨着輸入不同而變化。
2020-8-20:事實上輸出並不一樣，只是小數點后幾位不同，即便用resnet50也是這樣，這是什么原因呢！！！
2020-8-21:准備嘗試Hourglass網絡，數據已增強，這里用到了人體軀干關節點提取常用的Hourglass網絡
2020-8-25:事實證明Hourglass是有效果的，它能夠找到眼睛和嘴巴的位置，由於訓練次數太少，准確度還不高，但性能是可以提升的，也就是網絡結構才是最關鍵的。
2020-8-26:看到有人用ASM算法做的人臉特征點提取，有機會再試。
未完待續。。。