因为项目上的需要，我需要去训练一个人脸识别的系统，但是机器视觉方向并不是我特别喜欢的方向，所以我特别急功求成，想尽快搭建一个人脸识别系统，其实在git上已经有很多相关论文还有已经训练好的模型，大家如果想去了解这方面的知识，这篇文章并不适合您看。当然，时间是必须去付出的，大家如果喜欢这方面的方向，就好好斟酌一下，神经网络现在应用的很广，推荐Tensorflow框架，实在是太简单方便搭建了。当然不要光只学框架，具体的原理一定要搞清楚，推荐Coursera-Andrew ng-MachineLearing课程，没看过就相当于没学过，这是经典，而且入门简单，好好学，好好吸收，原理就这样。好吧，接下来我就将这10天的工作总结在此吧。
【2019/3/11】鉴于文章关注好像挺多了，过2天我会尝试将代码放到github上，我不知道是否能上传这么大量的图片。
一，材料准备
Anaconda3-4.2.0
这是一个python3.5.2的集成环境，特别好用和方便，方便管理需要用的包。
二，学习教程
Python3
这个学习教程无所谓的，你可以看书，也可以找网站来自学，当然必须先有python3的基础知识了。
Tensorflow
这个我推荐莫烦大牛的基础Tensorflow视频教程，不过这个课程说实在的是过于简单，就是快速的让人了解整个过程，其实面对的还是一些有基础的人，所以一定要看Coursera-Andrew ng-MachineLearing这课程，经典！经典！经典！重要的东西说3遍。当然学习框架的东西最好还是去tensoflow官方(好难打开)去细酌，当然tensorFlow中文社区也行，看自己喜欢，八仙过海，各显神通。
opencv3
这个就没什么好说的了，直接看官方的教程，一点点敲，一点点尝试，这是3.0的教程，2.0在某些方面上不一样，我觉得可以直接入3.0。当然个人也极度推荐看毛星云大牛博客，当然自己先需要懂c++，然后去搞懂每个原理就好，更多东西，还是回归官网，官网说的为准。
三，环境布置
1.安装anaconda3
我刚刚给的链接是个exe文件，所以这我就不用说了吧，就是傻瓜式的下一步，选择安装就好。
注意：这里可能有人纠结选择什么，我选择的是这个。
安装完成后，一般所有软件都会在这里。
2.安装opencv3
打开开始找到Anaconda Prompt，并以管理员身份运行，其实就是个普通终端罢了。
输入以下命令,然后按下y即可。
conda install -c https://conda.anaconda.org/menpo opencv3
安装完成后我们可以用以下命令试试是否正常使用，没反应就是最好的反应了啊，能正常使用。
python
import cv2
3.安装tensorflow
同样地，打开开始找到Anaconda Prompt，并以管理员身份运行，输入以下命令，这时候使用的Tensorflow1.3.0
#Anaconda安装完成后，打开Anaconda Prompt，输入如下命令，创建Tensorflow虚拟环境。
conda create -n tensorflow python=3.5
#进入Tensorflow虚拟环境
activate tensorflow
退出Tensorflow虚拟环境
deactivate tensorflow
安装Tensorflow
pip install tensorflow
亲测可用，完成了之后，同样可以输入以下命令来进行测试。
python
import tensorflow
用anaconda3就是这么方便，很多东西都集成好在一个地方，如果想卸载，其实很简单，直接把anaconda3卸载了，什么都脱离了你的环境了。就是这么好用。
四，源代码
ps:下面步骤如果没提示到的文件和数据包，不需要管，我会在每一个文件对应需要下载和安装什么东西，一步一步进行讲述
spyder工具
我们使用的编辑工具叫spyder，anaconda3自带工具，在开始输入spyder即可找到。
main.py
首先去opencv官网，下载一个opencv包，将下面的两个文件放入xml文件夹。
然后可以运行以下代码，当然要注意我们的----------------------------ps:位置，等等我们将到对应位置之后，遍可打开，将得到你渴望的效果。慢慢来，心急吃不到热豆腐，先试试人脸识别怎么样，这是opencv的demo改写的，就是利用haar_like分类器进行分类，有2部判断，先判断是否是人脸，是人脸的话，判断人脸有没眼睛，如果有这个就是人脸。当然相关论文知识我的这篇文章不会详细介绍，大家可以上网去找，我只想用最简单的方式给大家带来效果
代码
# -*- coding: utf-8 -*-
"""
Created on Tue Oct 17 10:14:19 2017
@author: Gavinjou
"""
import cv2
import numpy as np
import datetime
#----------------------------ps:讲到年龄，性别的时候可以打开
#import age_sex as myahesex
#调用自己的表情文档
#----------------------------ps:讲到表情识别的时候可以打开
#import model as mymodel
#调用自己的headpose文档
#----------------------------ps:讲到头部姿态的时候可以打开
#import headpose as myheadpose
#haar人脸识别分类器数据位置
face_cascade_name = "xml/haarcascade_frontalface_alt2.xml"
#眼睛识别,提高准确率
eyes_cascade_name = "xml/haarcascade_eye.xml"
#窗口命名
window_name = "Face detection"
#定义人脸识别分类器
face_cascade = cv2.CascadeClassifier(face_cascade_name)
if face_cascade.empty() :
raise IOError('Unable to load the face cascade classifier xml file')
#定义眼睛检测分类器
eyes_cascade = cv2.CascadeClassifier(eyes_cascade_name)
if eyes_cascade.empty() :
raise IOError('Unable to load the eye cascade classifier xml file')
#年龄
age_list=['(0, 2)','(4, 6)','(8, 12)','(15, 20)','(25, 32)','(38, 43)','(48, 53)','(60, 100)']
#性别
gender_list=['Male','Female']
#得到性别识别器
#----------------------------ps:讲到年龄，性别的时候可以打开
#age_net=myahesex.get_age_net()
#得到年龄识别器
#----------------------------ps:讲到年龄，性别的时候可以打开
#gender_net = myahesex.get_gender_net()
#人脸识别画框
def detectAndDisplay(frame,scale):
#算法开始时间
startTime = datetime.datetime.now()
#将原图转化为灰度图片
frame_gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
#灰度直方图均衡化
frame_gray = cv2.equalizeHist(frame_gray)
#改变图像大小,使用双线性差值
rows, cols = frame_gray.shape
#缩小灰度图片加速计算
smallImage = cv2.resize(frame_gray,(int(round(cols/scale)),round(int(rows/scale))),interpolation=cv2.INTER_CUBIC)
#人脸侦测
faces = face_cascade.detectMultiScale(smallImage,1.1,2,cv2.CASCADE_SCALE_IMAGE,(30, 30))
index=int(1)
for faceRect in faces:
x,y,w,h = faceRect
#左上角
LUpoint = (int(round(x * scale)),int(round(y * scale)))
#右上角
RDpoint = (int(round((x+w-1) * scale)),int(round((y+h-1) * scale)))
#人脸映像
faceROI = frame_gray[int(round(y * scale)):int(round((y+h-1) * scale)), int(round(x * scale)):int(round((x+w-1) * scale))]
#三维人脸映像
faceROI2 = frame[int(round(y * scale)):int(round((y+h-1) * scale)), int(round(x * scale)):int(round((x+w-1) * scale))]
#眼睛识别
eyes = eyes_cascade.detectMultiScale(faceROI,1.1,2,cv2.CASCADE_SCALE_IMAGE,(30, 30))
if len(eyes) !=2 :
continue
#得到角度参数
#----------------------------ps:讲到头部姿态的时候可以打开
#pitch,yaw,roll= myheadpose.predict_head_pose(faceROI2)
#print(pitch,yaw,roll)
#得到性别
#----------------------------ps:讲到年龄，性别的时候可以打开
#gender_prediction = gender_net.predict([faceROI2])
#print(gender_list[gender_prediction[0].argmax()])
#得到年龄
#----------------------------ps:讲到年龄，性别的时候可以打开
#age_prediction = age_net.predict([faceROI2])
#print(age_list[age_prediction[0].argmax()])
#得到所有表情参数
#----------------------------ps:讲到表情识别的时候可以打开
#facemodel=mymodel.predict_emotion(faceROI)
#得到最大值位置
#----------------------------ps:讲到表情识别的时候可以打开
#_positon = np.argmax(facemodel)
#画正方形
cv2.rectangle(frame,LUpoint,RDpoint,(0, 0, 255),2,8)
#标记
cv2.putText(frame,str(index),LUpoint,cv2.FONT_HERSHEY_SIMPLEX,2.0,(0, 0, 255))
#----------------------------ps:讲到表情识别的时候可以打开
#cv2.putText(frame,mymodel.emotion_labels[_positon],LUpoint,cv2.FONT_HERSHEY_SIMPLEX,1.0,(0, 0, 255))
index+=1
cv2.imshow(window_name,frame)
#算法结束时间
endTime = datetime.datetime.now()
print (endTime - startTime)
#---detectAndDisplay
#main
#初始化窗口
cv2.namedWindow(window_name,cv2.WINDOW_NORMAL)
capture = cv2.VideoCapture(0)
while(capture.isOpened()):
ret, frame = capture.read()
#判断是否最后一帧
if ret:
detectAndDisplay(frame,2.0)
#按q退出程序
if cv2.waitKey(30) & 0xFF == ord('q'):
break
#释放视频
capture.release()
cv2.destroyAllWindows()
效果图
model.py
这是我参考的两篇文章，第一篇是参考代码文章，第二篇是作者的文章，第三篇是安装keras教程，这是训练好的结果，所以可以直接调用，这时我测试部分就不写了，直接使用参考代码文章代码即可测试。
http://blog.csdn.net/sinat_26917383/article/details/72885715
https://github.com/JostineHo/mememoji
http://blog.csdn.net/shenziheng1/article/details/69664920
这时需要将作者github上的文件夹下载，并放置刚刚的目录结构中。利用以下代码即可测试
安装keras
具体请按照这篇文章进行操作
代码
# -*- coding: utf-8 -*-
"""
Created on Wed Oct 18 15:36:48 2017
@author: Gavinjou
"""
import cv2
import sys
import json
import time
import numpy as np
from keras.models import model_from_json
root_model="real-time_emotion_analyzer-master"
#动作表情
#愤怒，害怕，开心，伤心，惊喜，平静
emotion_labels = ['angry', 'fear', 'happy', 'sad', 'surprise', 'neutral']
# load json and create model arch
json_file = open(root_model+'/model.json','r')
loaded_model_json = json_file.read()
json_file.close()
print("加载keras模型成功")
model = model_from_json(loaded_model_json)
# load weights into new model
model.load_weights(root_model+'/model.h5')
print("加载权重成功")
#定义预测函数
def predict_emotion(face_image_gray):
resized_img = cv2.resize(face_image_gray, (48,48), interpolation = cv2.INTER_AREA)
# cv2.imwrite(str(index)+'.png', resized_img)
image = resized_img.reshape(1, 1, 48, 48)
list_of_list = model.predict(image, batch_size=1, verbose=1)
angry, fear, happy, sad, surprise, neutral = [prob for lst in list_of_list for prob in lst]
return [angry, fear, happy, sad, surprise, neutral]
#img_gray = cv2.imread('C:/Users/Gavinjou/Desktop/FaceRecognation/real-time_emotion_analyzer-master/meme_faces/happy-fear.png')
#img_gray = cv2.cvtColor(img_gray, cv2.COLOR_BGR2GRAY)
#angry, fear, happy, sad, surprise, neutral = predict_emotion(img_gray)
效果图
这时候还记得我们main.py，有----------------------------ps：标记吗，将----------------------------ps:讲到表情识别的时候可以打开下面的语句全部打开，然后运行main.py
headpose.py
头部姿态识别我是按照这篇文章来进行使用的，这是原版的作者的文章，其实人家写的真够详细了，各种demo都告诉你怎么用了，直接调用就好，人家模型都是训练好的了，直接用就好。
这时需要将作者github上的文件夹下载，并放置刚刚的目录结构中。利用以下代码即可测试，记得把文件夹名字改成我这个，不过也无所谓啦，就是个路径问题，当然自己去修改一下代码路径也是没问题的。测试代码我就不讲了，作者的文章上清清楚楚写了demo，自己写一遍测试一下即可。
安装dlib
打开Anaconda Prompt，输入如下命令,安装dlib
conda install -c conda-forge dlib=19.4
注意: 这是我折腾最久的，我不知道你是否能安装上，我是参考了几篇文章都无法装上，然后不知道搜了哪个位置的文章，使用一条命令就把dlib装上了。如果不行的话，我也推荐我之前参考的文章的链接去试试，但我并没有成功，总说什么Unicode不对。然后就放弃了。我用的材料是boost1.57.0，cmake3.8.2，dlib19.4.0
http://blog.csdn.net/insanity666/article/details/72235275
http://www.jianshu.com/p/004c99828af2
代码
# -*- coding: utf-8 -*-
"""
Created on Wed Oct 18 20:10:15 2017
@author: Gavinjou
"""
import tensorflow as tf
from deepgazemaster.deepgaze.head_pose_estimation import CnnHeadPoseEstimator
#图像大小设定
width = 64
height= 64
sess = tf.Session()
my_head_pose_estimator = CnnHeadPoseEstimator(sess)
my_head_pose_estimator.load_pitch_variables("deepgazemaster/etc/tensorflow/head_pose/pitch/cnn_cccdd_30k.tf")
my_head_pose_estimator.load_yaw_variables("deepgazemaster/etc/tensorflow/head_pose/yaw/cnn_cccdd_30k")
my_head_pose_estimator.load_roll_variables("deepgazemaster/etc/tensorflow/head_pose/roll/cnn_cccdd_30k.tf")
#输入的图像大小必须要相等(64>=x,64>=x,3),x代表输入
def predict_head_pose (face_image):
#resized_img = cv2.resize(face_image, (width,height), interpolation = cv2.INTER_AREA)
pitch = my_head_pose_estimator.return_pitch(face_image)
yaw = my_head_pose_estimator.return_yaw(face_image)
roll = my_head_pose_estimator.return_roll(face_image)
return [pitch,yaw,roll]
效果图
这时候还记得我们main.py，有----------------------------ps：标记吗，将----------------------------ps:讲到头部姿态的时候可以打开下面的语句全部打开，然后运行main.py
这时我多加了一个语句
输出便如下图了
age_sex.py
年龄，性别识别部分我是参照我是参考该第一篇作者的文章，利用的是caffe神经网络框架，不过新的caffe好像还是会出问题，所以我还是会一步步让大家运行我的整份代码，第二篇修改caffe的文章。不用紧张，我们继续一步步来。
https://github.com/GilLevi/AgeGenderDeepLearning
http://blog.csdn.net/gzljss/article/details/45849013
这是需要将作者的整份代码下载下来，放文件根目录下
这时候还没完成呢，还需要作者已经训练好的模型放到这个master文件中。这个文章还是原作者模型的参考文章，有时间还是好好看看。
我下载的是作者最原始的训练好的模型，下完完成之后解压，创建一个文件名为cnn_age_gender_models的文件，把解压缩文件全部放进去。
安装caffe
网上很少有anaconda3+python3.5的caffe安装，就算有，也是特别麻烦，还有各种编译的烦事，还不一定成功，得谢谢第二篇文章上知乎上朋友的回答，2个回答的朋友已经告诉你怎么把caffe放到anaconda3中调用了，当然如果你不想编译，真得谢天谢地。第一篇文章已经提供了python35的预编译版本，开心吧。接下来我再来一步一步的说该怎么装
https://github.com/BVLC/caffe/tree/windows
https://www.zhihu.com/question/34119328
首先打开第一篇文章，下载caffe到我们程序根目录当中
因为代码中并不需要添加到anaconda3环境当中所以我就不需要演示怎么放进环境中了，其实代码已经声明路径添加上去罢了。
修改caffe
参考文章
打开caffe/python/caffe/io.py 第258行，修改成以下代码
if ms != self.inputs[in_][1:]:
in_shape = self.inputs[in_][1:]
m_min, m_max = mean.min(), mean.max()
normal_mean = (mean - m_min) / (m_max - m_min)
mean = resize_image(normal_mean.transpose((1,2,0)),in_shape[1:]).transpose((2,0,1)) * (m_max - m_min) + m_min
#raise ValueError('Mean shape incompatible with input shape.')
打开caffe/python/caffe/classifier.py 第96行，修改成以下代码
代码
import os
import numpy as np
import matplotlib.pyplot as plt
caffe_root = './caffe/'
import sys
sys.path.insert(0, caffe_root + 'python')
import caffe
plt.rcParams['figure.figsize'] = (10, 10)
plt.rcParams['image.interpolation'] = 'nearest'
plt.rcParams['image.cmap'] = 'gray'
mean_filename='./AgeGenderDeepLearning-master/cnn_age_gender_models/mean.binaryproto'
proto_data = open(mean_filename, "rb").read()
a = caffe.io.caffe_pb2.BlobProto.FromString(proto_data)
mean = caffe.io.blobproto_to_array(a)[0]
"""
age_net_pretrained='./AgeGenderDeepLearning-master/cnn_age_gender_models/age_net.caffemodel'
age_net_model_file='./AgeGenderDeepLearning-master/cnn_age_gender_models/deploy_age.prototxt'
age_net = caffe.Classifier(age_net_model_file, age_net_pretrained,
mean=mean,
channel_swap=(2,1,0),
raw_scale=255,
image_dims=(256, 256))
gender_net_pretrained='./AgeGenderDeepLearning-master/cnn_age_gender_models/gender_net.caffemodel'
gender_net_model_file='./AgeGenderDeepLearning-master/cnn_age_gender_models/deploy_gender.prototxt'
gender_net = caffe.Classifier(gender_net_model_file, gender_net_pretrained,
mean=mean,
channel_swap=(2,1,0),
raw_scale=255,
image_dims=(256, 256))
"""
def get_age_net():
age_net_pretrained='./AgeGenderDeepLearning-master/cnn_age_gender_models/age_net.caffemodel'
age_net_model_file='./AgeGenderDeepLearning-master/cnn_age_gender_models/deploy_age.prototxt'
age_net = caffe.Classifier(age_net_model_file, age_net_pretrained,
mean=mean,
channel_swap=(2,1,0),
raw_scale=255,
image_dims=(256, 256))
return age_net
def get_gender_net():
gender_net_pretrained='./AgeGenderDeepLearning-master/cnn_age_gender_models/gender_net.caffemodel'
gender_net_model_file='./AgeGenderDeepLearning-master/cnn_age_gender_models/deploy_gender.prototxt'
gender_net = caffe.Classifier(gender_net_model_file, gender_net_pretrained,
mean=mean,
channel_swap=(2,1,0),
raw_scale=255,
image_dims=(256, 256))
return gender_net
"""
gender_net = get_gender_net()
age_list=['(0, 2)','(4, 6)','(8, 12)','(15, 20)','(25, 32)','(38, 43)','(48, 53)','(60, 100)']
gender_list=['Male','Female']
example_image = './AgeGenderDeepLearning-master/cnn_age_gender_models/example_image.jpg'
input_image = caffe.io.load_image(example_image)
print(input_image.shape)
_ = plt.imshow(input_image)
prediction = gender_net.predict([input_image])
print ('predicted gender:', gender_list[prediction[0].argmax()])
"""
效果图
这时候还记得我们main.py，有----------------------------ps：标记吗，将#----------------------------ps:讲到年龄，性别的时候可以打开下面的语句全部打开，然后运行main.py
可以看到性别是Female,年龄在（38-43）区间。。 我曹，我是女的，还那么老。。
五，总结
上面都是很基础的东西，只是个乱调用，但是很快就做出模型来，可以满足一下小心脏，当然，如果要自己去研究这东西，这是最好的，我是没什么心思搞这个方向，所以我更想快点能调用来使用。但是这个程序速度跑起来有点慢，如果大家有什么好建议的话，可以留言给我，如果在配置上还出了些什么问题，也可以留言，我基本每天都上一下简书的。
最后还有一份性别，年龄代码。我是参考了这篇文章的代码，可是训练出来的模型很有问题，梯度一直没下降，而且调用的时候也各种出状况，我跑了2天的数据，一点卵用也没，待我好好看看TensorFlow，我再整理一下，先保留着。
import os
import glob
import tensorflow as tf
from tensorflow.contrib.layers import *
from tensorflow.contrib.slim.python.slim.nets.inception_v3 import inception_v3_base
import numpy as np
from random import shuffle
import datetime
#年龄区间
age_table=['(0, 2)','(4, 6)','(8, 12)','(15, 20)','(25, 32)','(38, 43)','(48, 53)','(60, 100)']
#性别
sex_table=['f','m'] # f:女; m:男
# AGE==True 训练年龄模型，False,训练性别模型
AGE = False
if AGE == True:
#获取长度
lables_size = len(age_table) # 年龄
else:
#获取长度
lables_size = len(sex_table) # 性别
face_set_fold = 'AdienceBenchmarkOfUnfilteredFacesForGenderAndAgeClassification'
#拼接路径
fold_0_data = os.path.join(face_set_fold, 'fold_0_data.txt')
fold_1_data = os.path.join(face_set_fold, 'fold_1_data.txt')
fold_2_data = os.path.join(face_set_fold, 'fold_2_data.txt')
fold_3_data = os.path.join(face_set_fold, 'fold_3_data.txt')
fold_4_data = os.path.join(face_set_fold, 'fold_4_data.txt')
face_image_set = os.path.join(face_set_fold, 'aligned')
#拼接路径
def parse_data(fold_x_data):
#数据集存储
data_set = []
with open(fold_x_data, 'r') as f:
#用于标记第一行，第一行数据全部是名称，全部不读
line_one = True
for line in f:
tmp = []
#如果是第一行，继续
if line_one == True:
line_one = False
continue
#获取所在文件编号
tmp.append(line.split('\t')[0])
#获取对应图片名称
tmp.append(line.split('\t')[1])
#获取年龄区间
tmp.append(line.split('\t')[3])
#获取性别
tmp.append(line.split('\t')[4])
#查看对应文件夹是否存在
file_path = os.path.join(face_image_set, tmp[0])
#如果存在
if os.path.exists(file_path):
#获取该文件所有图片
filenames = glob.glob(file_path + "/*.jpg")
#查找图片是否在这批文件中
for filename in filenames:
if tmp[1] in filename:
break
#将数据挂载到内存
if AGE == True:
if tmp[2] in age_table:
data_set.append([filename, age_table.index(tmp[2])])
else:
if tmp[3] in sex_table:
data_set.append([filename, sex_table.index(tmp[3])])
#返回数据集
return data_set
"""
#------读取数据
startTime = datetime.datetime.now()
#读取所有文件的数据集
data_set_0 = parse_data(fold_0_data)
data_set_1 = parse_data(fold_1_data)
data_set_2 = parse_data(fold_2_data)
data_set_3 = parse_data(fold_3_data)
data_set_4 = parse_data(fold_4_data)
#合并所有数据
data_set = data_set_0 + data_set_1 + data_set_2 + data_set_3 + data_set_4
#打乱数据
shuffle(data_set)
endTime = datetime.datetime.now()
print ("完成读取数据时间:"+str(endTime - startTime))
#------读取数据
"""
# 缩放图像的大小
IMAGE_HEIGHT = 227
IMAGE_WIDTH = 227
# 读取缩放图像
#待放入字符串
jpg_data = tf.placeholder(dtype=tf.string)
#待解码jpg图片
decode_jpg = tf.image.decode_jpeg(jpg_data, channels=3)
#对待读取图片重置size
resize = tf.image.resize_images(decode_jpg, [IMAGE_HEIGHT, IMAGE_WIDTH])
#优化转换
resize = tf.cast(resize, tf.uint8) / 255
#读取图片并重置图片数据
def resize_image(file_name):
#读取图片
with tf.gfile.FastGFile(file_name, 'rb') as f:
image_data = f.read()
#加载程序
with tf.Session() as sess:
image = sess.run(resize, feed_dict={jpg_data: image_data})
return image
#批量数据处理
pointer = 0
def get_next_batch(data_set, batch_size=128):
global pointer
batch_x = []
batch_y = []
for i in range(batch_size):
batch_x.append(resize_image(data_set[pointer][0]))
batch_y.append(data_set[pointer][1])
pointer += 1
return batch_x, batch_y
#分批大小
#batch_size = 128
batch_size = 1
#总个数
#num_batch = len(data_set) // batch_size
num_batch = 1
print("总共的batch数量---"+str(num_batch))
#输入的数据大小
X = tf.placeholder(dtype=tf.float32, shape=[batch_size, IMAGE_HEIGHT, IMAGE_WIDTH, 3])
#输出数据大小
Y = tf.placeholder(dtype=tf.int32, shape=[batch_size])
def conv_net(nlabels, images, pkeep=1.0):
weights_regularizer = tf.contrib.layers.l2_regularizer(0.0005)
with tf.variable_scope("conv_net", "conv_net", [images],reuse=True) as scope:
with tf.contrib.slim.arg_scope([convolution2d, fully_connected], weights_regularizer=weights_regularizer, biases_initializer=tf.constant_initializer(1.), weights_initializer=tf.random_normal_initializer(stddev=0.005), trainable=True):
with tf.contrib.slim.arg_scope([convolution2d], weights_initializer=tf.random_normal_initializer(stddev=0.01)):
conv1 = convolution2d(images, 96, [7,7], [4, 4], padding='VALID', biases_initializer=tf.constant_initializer(0.), scope='conv1')
pool1 = max_pool2d(conv1, 3, 2, padding='VALID', scope='pool1')
norm1 = tf.nn.local_response_normalization(pool1, 5, alpha=0.0001, beta=0.75, name='norm1')
conv2 = convolution2d(norm1, 256, [5, 5], [1, 1], padding='SAME', scope='conv2')
pool2 = max_pool2d(conv2, 3, 2, padding='VALID', scope='pool2')
norm2 = tf.nn.local_response_normalization(pool2, 5, alpha=0.0001, beta=0.75, name='norm2')
conv3 = convolution2d(norm2, 384, [3, 3], [1, 1], biases_initializer=tf.constant_initializer(0.), padding='SAME', scope='conv3')
pool3 = max_pool2d(conv3, 3, 2, padding='VALID', scope='pool3')
flat = tf.reshape(pool3, [-1, 384*6*6], name='reshape')
full1 = fully_connected(flat, 512, scope='full1')
drop1 = tf.nn.dropout(full1, pkeep, name='drop1')
full2 = fully_connected(drop1, 512, scope='full2')
drop2 = tf.nn.dropout(full2, pkeep, name='drop2')
with tf.variable_scope('output',reuse=True) as scope:
weights = tf.Variable(tf.random_normal([512, nlabels], mean=0.0, stddev=0.01), name='weights')
biases = tf.Variable(tf.constant(0.0, shape=[nlabels], dtype=tf.float32), name='biases')
output = tf.add(tf.matmul(drop2, weights), biases, name=scope.name)
return output
"""
def training():
logits = conv_net(lables_size, X)
def optimizer(eta, loss_fn):
global_step = tf.Variable(0, trainable=False)
optz = lambda lr: tf.train.MomentumOptimizer(lr, 0.9)
lr_decay_fn = lambda lr,global_step : tf.train.exponential_decay(lr, global_step, 100, 0.97, staircase=True)
return tf.contrib.layers.optimize_loss(loss_fn, global_step, eta, optz, clip_gradients=4., learning_rate_decay_fn=lr_decay_fn)
def loss(logits, labels):
cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits = logits, labels = labels)
cross_entropy_mean = tf.reduce_mean(cross_entropy)
regularization_losses = tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES)
total_loss = cross_entropy_mean + 0.01 * sum(regularization_losses)
loss_averages = tf.train.ExponentialMovingAverage(0.9)
loss_averages_op = loss_averages.apply([cross_entropy_mean] + [total_loss])
with tf.control_dependencies([loss_averages_op]):
total_loss = tf.identity(total_loss)
return total_loss
# loss
total_loss = loss(logits, Y)
# optimizer
train_op = optimizer(0.001, total_loss)
saver = tf.train.Saver(tf.global_variables())
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
global pointer
epoch = 0
while True:
print("start-----"+str(epoch))
pointer = 0
for batch in range(num_batch):
startTime = datetime.datetime.now()
batch_x, batch_y = get_next_batch(data_set, batch_size)
_, loss_value = sess.run([train_op, total_loss], feed_dict={X:batch_x, Y:batch_y})
print(epoch, batch, loss_value)
endTime = datetime.datetime.now()
print ("一次batch时间训练:"+str(endTime - startTime))
saver.save(sess, './age.ckpt' if AGE == True else './sex.ckpt')
epoch += 1
print("end-----"+str(epoch))
training()
"""
# 检测性别和年龄
# 把batch_size改为1
def detect_age_or_sex(image_path):
logits = conv_net(lables_size, X)
saver = tf.train.Saver()
with tf.Session() as sess:
saver.restore(sess, './age.ckpt' if AGE == True else './sex.ckpt')
softmax_output = tf.nn.softmax(logits)
res = sess.run(softmax_output, feed_dict={X:[resize_image(image_path)]})
res = np.argmax(res)
if AGE == True:
return age_table[res]
else:
return sex_table[res]
print(detect_age_or_sex("1.jpg"))
