CNN人臉識別之模型創建

1、創建模型

• 引入包

import numpy as np
from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import Dense,Dropout,Conv2D,MaxPooling2D,Flatten
from keras.optimizers import SGD,Adam
from keras.regularizers import l2
import _pickle as p
from keras import optimizers
import itertools
import cv2
import os
import random
from keras.regularizers import l2
print(1)
from sklearn.model_selection import train_test_split

• 獲取圖片
  圖片是每個人臉有500張，為了增加魯棒性，然后通過引入os，實作檔案讀取，分別將圖片和標簽加入到image、label中，但是其是一一對應的關系，然后將其歸一化，然后再將其順序打亂， 但是打亂的時候也是一一對應的關系，如果出現錯誤，那么將會全部錯誤，然后為了測驗其功能，可以將其劃分為測驗資料和訓練資料，

# 讀取訓練資料到記憶體，這里資料結構是串列

# path_name是當前作業目錄，后面會由os.getcwd()獲得
def read_path(path_name):
    images = []
    labels = []

    for dir_item in os.listdir(path_name): # os.listdir() 方法用于回傳指定的檔案夾包含的檔案或檔案夾的名字的串列
        # 從當前作業目錄尋找訓練集圖片的檔案夾
        full_path = os.listdir(path_name+dir_item)
        print(dir_item)
        for file in full_path:
            path = path_name+dir_item+'/'+file
            img = cv2.imread(path)
            images.append(img)
            labels.append(path_name+dir_item)

    return images,labels

images,labels = read_path('./pic/')
# 將lsit轉換為numpy array
images = np.asarray(images, dtype='float64')/256 
labels = np.asarray([0 if label.endswith('1') else 1 if label.endswith('2') else 2 for label in labels])
print(labels)
index = [i for i in range(len(images))] 
random.shuffle(index)
data = images[index]
label = labels[index]
label= np_utils.to_categorical(label, num_classes=3)
#標簽打亂

X_train, X_test, Y_train, Y_test = train_test_split(data, label, test_size=0.30, random_state=42)

2.3、創建模型

這是用的最經典的五層模型，其中的引數我貼在下面

# 構建一個空的網路模型，它是一個線性堆疊模型，各神經網路層會被順序添加，專業名稱為序貫模型或線性堆疊模型
# model = Sequential()
# # 以下代碼將順序添加CNN網路需要的各層，一個add就是一個網路層
# model.add(Conv2D(
#     input_shape= (47,57,3),
#     filters = 32,
#     kernel_size = 5,
#     strides = 1,
#     padding = 'same',
#     activation = 'relu'
# ))
model=Sequential()
model.add(Conv2D(filters=36, kernel_size=5, padding='valid',kernel_regularizer=l2(0.003), input_shape=(100,100,3), activation='relu'))
model.add(Dropout(0.2))
model.add(MaxPooling2D(pool_size=(2,2)))
 
model.add(Conv2D(filters=16, kernel_size=(5,5), padding='valid', activation='relu'))
 
model.add(MaxPooling2D(pool_size=(2,2)))
 

model.add(Flatten())
 
#下面就是全連接層了
model.add(Dense(520, activation='relu'))
model.add(Dropout(0.3))
model.add(Dense(128, activation='relu'))
 
model.add(Dense(3, activation='softmax'))
#compile model
 
#事實證明，對于分類問題，使用交叉熵(cross entropy)作為損失函式更好些
model.compile(
    loss='categorical_crossentropy',
    optimizer=optimizers.Adadelta(lr=0.01, rho=0.95, epsilon=1e-06),
    metrics=['accuracy']
)
# 輸出模型概況
model.summary()

2.4、配置模型

模型中用到的是交叉熵損失函式，前面的全連接層激活函式用的‘reul’，最后一層用的‘softmax’函式，

sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)  # 采用SGD+momentum的優化器進行訓練，首先生成一個優化器物件
model.compile(loss='categorical_crossentropy',
                    optimizer=optimizers.Adadelta(lr=0.01, rho=0.95, epsilon=1e-06),
                    metrics=['accuracy'])  # 完成實際的模型配置作業

2.5、訓練模型

然后模型就生成了‘my_model.h5’

model.fit(X_train, Y_train, epochs = 10,batch_size=128)
loss_, accuracy_ = model.evaluate(X_test,Y_test)
loss, accuracy = model.evaluate(X_train,Y_train)
result = model.predict(X_test)
print(loss_)
print(accuracy_)
print(loss)
print(accuracy)
model.save('my_model.h5')
#model.load_weights('my_model.h5')

但是光有模型想要自己實作人臉識別還有一段路，需要自己在后面寫一些東西來識別，辨別影像，然后才能真正實作人臉識別功能，暫時先寫模型創建，后續更新模型使用，實作人臉識別，