个人中心
文章发布
退出
作者热门文章
- Java锁的逻辑（结合对象头和ObjectMonitor）
- 还在用饼状图？来瞧瞧这些炫酷的百分比可视化新图形（附代码实现）⛵
- 自动注册实体类到EntityFrameworkCore上下文，并适配ABP及ABPVNext
- 基于Sklearn机器学习代码实战
27
4
1、选题背景 。
人脸识别技术是模式识别和计算机视觉领域最富挑战性的研究课题之一，也是近年来的研究热点，人脸性别识别作为人脸识别技术的重要组成部分也受到了广泛地关注。人脸性别识别就是向计算机输入人脸图像，经过某种方法或运算，得出其性别。这种识别对人眼来说很简单，但对计算机却并不是一件容易的事情.
2、机器学习案例设计方案 。
从网站中下载相关的数据集，对数据集进行整理，在python的环境中，给数据集中的文件进行划分，对数据进行预处理，利用keras，构建神经网络，训练模型，导入图片测试模型。 。
数据来源：kaggle，网址： https://www.kaggle.com/maciejgronczynski/biggest-genderface-recognition-dataset 。
数据集包含27167个jpg文件，其中17678个是男性面部照片，9489个是女性照片.
3、机器学习的实验步骤 。
1.下载数据集 。
。
2.导入需要用到的库 。
1
import
os
2
import
random
3
from
shutil
import
copy
4
from
matplotlib
import
pyplot as plt
5
from
keras
import
optimizers
6
from
keras
import
models
7
from
keras
import
layers
8
from
keras.preprocessing.image
import
ImageDataGenerator
9
from
keras.models
import
load_model
10
from
PIL
import
Image
3.数据集划分，由总的数据集生成分别生成训练集，测试集和验证集 。
1
#
女性图片训练集想保存到的根路径
2
woman_train_dir = r
'
sex\faces\train\woman
'
3
#
女性图片验证集想保存到的根路径
4
woman_validation_dir = r
'
sex\faces\validation\woman
'
5
#
女性图片测试集想保存到的根路径
6
woman_test_dir = r
'
sex\faces\test\woman
'
7
8
#
男性图片训练集想保存到的根路径
9
man_train_dir = r
'
sex\faces\train\man
'
10
#
男性图片验证集想保存到的根路径
11
man_validation_dir = r
'
sex\faces\validation\man
'
12
#
男性图片测试集想保存到的根路径
13
man_test_dir = r
'
sex\faces\test\man
'
14
15
#
创建列表，保存上方6个路径
16
dir_list =
[woman_train_dir, woman_validation_dir, woman_test_dir,
17
man_train_dir, man_validation_dir, man_test_dir]
18
#
如果目录不存在，则创建
19
for
dir_child
in
dir_list:
20
if
not
os.path.isdir(dir_child):
21
os.makedirs(dir_child)
22
23
#
女性图片根路径
24
woman_path = r
'
sex\faces\woman
'
25
#
获取 woman_path 下的文件夹列表
26
woman_path_list =
os.listdir(woman_path)
27
#
遍历列表，取6000张图片加入训练集，3000张图片加入验证集，其余加入测试集
28
for
i
in
range(len(woman_path_list)):
29
child_path =
os.path.join(woman_path, woman_path_list[i])
30
if
i < 6000
:
31
to_path =
woman_train_dir
32
elif
i < 9000
:
33
to_path =
woman_validation_dir
34
else
:
35
to_path =
woman_test_dir
36
copy(child_path, to_path)
37
38
#
男性图片根路径
39
man_path = r
'
sex\faces\man
'
40
#
获取 man_path 下的文件夹列表
41
man_path_list =
os.listdir(man_path)
42
#
遍历列表，取6000张图片加入训练集，3000张图片加入验证集，其余加入测试集
43
for
i
in
range(len(man_path_list)):
44
child_path =
os.path.join(man_path, man_path_list[i])
45
if
i < 6000
:
46
to_path =
man_train_dir
47
elif
i < 9000
:
48
to_path =
man_validation_dir
49
else
:
50
to_path =
man_test_dir
51
copy(child_path, to_path)
52
53
#
输出各目录中的文件数目
54
train_path =
"
sex/faces/train/
"
55
print
(
'
total training woman images:
'
, len(os.listdir(train_path+
"
woman
"
)))
56
print
(
'
total training man images:
'
, len(os.listdir(train_path+
"
man
"
)))
57
58
valid_path =
"
sex/faces/validation/
"
59
print
(
'
total validation woman images:
'
, len(os.listdir(valid_path+
"
woman
"
)))
60
print
(
'
total validation man images:
'
, len(os.listdir(valid_path+
"
man
"
)))
61
62
test_path =
"
sex/faces/test/
"
63
print
(
'
total test woman images:
'
, len(os.listdir(test_path+
"
woman
"
)))
64
print
(
'
total test man images:
'
, len(os.listdir(test_path+
"
man
"
)))
4.查看图像以及对应标签 。
1
#
查看图像以及对应的标签
2
fit, ax = plt.subplots(nrows=3, ncols=3, figsize=(10, 7
))
3
#
查看图像的根路径
4
test_view_path = r
'
sex\faces\test\man
'
5
#
获取 test_view_path 下的文件夹列表
6
test_view_list =
os.listdir(test_view_path)
7
for
i, a
in
enumerate(ax.flat):
8
view_path =
os.path.join(test_view_path, test_view_list[i])
9
#
读取源图
10
a.imshow(plt.imread(view_path))
11
#
添加图像名称
12
a.set_title(man_path_list[i])
13
plt.tight_layout()
#
自动调整子图参数，使之填充整个图像区域
14
plt.show()
5.图片预处理 。
1
#
图片预处理
2
#
批量大小
3
BATCH_SIZE = 20
4
#
输入图片的大小
5
IMG_SIZE = (150, 150
)
6
7
#
归一化处理
8
train_datagen = ImageDataGenerator(rescale=1./255
)
9
validation_datagen = ImageDataGenerator(rescale=1./255
)
10
test_datagen = ImageDataGenerator(rescale=1./255
)
11
12
train_dir =
'
sex/faces/train
'
#
指向训练集图片目录路径
13
14
train_generator =
train_datagen.flow_from_directory(
15
train_dir,
16
target_size=IMG_SIZE,
#
输入训练图像尺寸
17
batch_size=
BATCH_SIZE,
18
color_mode=
'
rgb
'
,
19
class_mode=
'
binary
'
)
20
21
validation_dir =
'
sex/faces/validation
'
#
指向验证集图片目录路径
22
23
validation_generator =
validation_datagen.flow_from_directory(
24
validation_dir,
25
target_size=
IMG_SIZE,
26
batch_size=
BATCH_SIZE,
27
color_mode=
'
rgb
'
,
28
class_mode=
'
binary
'
)
29
30
test_dir =
'
sex/faces/test
'
#
指向测试集图片目录路径
31
32
test_generator =
test_datagen.flow_from_directory(
33
test_dir,
34
target_size=
IMG_SIZE,
35
batch_size=
BATCH_SIZE,
36
color_mode=
'
rgb
'
,
37
class_mode=
'
binary
'
)
6.查看经过处理的图片以及它的binary标签 。
1
#
查看经过处理的图片以及它的binary标签
2
fit, ax = plt.subplots(nrows=3, ncols=3, figsize=(10, 7
))
3
4
for
i, a
in
enumerate(ax.flat):
5
img, label =
test_generator.next()
6
a.imshow(img[0],)
7
a.set_title(label[0])
8
9
plt.tight_layout()
10
plt.show()
7.构建神经网络并对模型进行训练 。
1
#
构建神经网络
2
model =
models.Sequential()
3
4
#
1.Conv2D层，32个过滤器。输出图片尺寸：150-3+1=148*148，参数数量：32*3*3*3+32=896
5
model.add(layers.Conv2D(32, (3, 3
),
6
activation=
'
relu
'
,
7
input_shape=(150, 150, 3)))
#
卷积层1
8
model.add(layers.MaxPooling2D((2, 2)))
#
最大值池化层1。输出图片尺寸：148/2=74*74
9
10
#
2.Conv2D层，64个过滤器。输出图片尺寸：74-3+1=72*72，参数数量：64*3*3*32+64=18496
11
model.add(layers.Conv2D(64, (3, 3
),
12
activation=
'
relu
'
))
#
卷积层2
13
model.add(layers.MaxPooling2D((2, 2)))
#
最大值池化层2。输出图片尺寸：72/2=36*36
14
15
#
3.Conv2D层，128个过滤器。输出图片尺寸：36-3+1=34*34，参数数量：128*3*3*64+128=73856
16
model.add(layers.Conv2D(128, (3, 3
),
17
activation=
'
relu
'
))
#
卷积层3
18
model.add(layers.MaxPooling2D((2, 2)))
#
最大值池化层3。输出图片尺寸：34/2=17*17
19
20
#
4.Conv2D层，128个过滤器。输出图片尺寸：17-3+1=15*15，参数数量：128*3*3*128+128=147584
21
model.add(layers.Conv2D(128, (3, 3
),
22
activation=
'
relu
'
))
#
卷积层4
23
model.add(layers.MaxPooling2D((2, 2)))
#
最大值池化层4。输出图片尺寸：15/2=7*7
24
25
#
将输入层的数据压缩成1维数据，全连接层只能处理一维数据
26
model.add(layers.Flatten())
27
28
#
全连接层
29
model.add(layers.Dense(512
,
30
activation=
'
relu
'
))
#
全连接层1
31
model.add(layers.Dense(1
,
32
activation=
'
sigmoid
'
))
#
全连接层2，作为输出层。sigmoid分类，输出是两类别
33
34
#
编译模型
35
#
RMSprop 优化器。因为网络最后一层是单一sigmoid单元，
36
#
所以使用二元交叉熵作为损失函数
37
model.compile(loss=
'
binary_crossentropy
'
,
38
optimizer=optimizers.RMSprop(lr=1e-4
),
39
metrics=[
'
acc
'
])
40
41
#
看一下特征图的维度如何随着每层变化
42
model.summary()
。
1
#
训练模型50轮次
2
history_save =
model.fit(
3
train_generator,
4
steps_per_epoch=100
,
5
epochs=50
,
6
validation_data=
validation_generator,
7
validation_steps=50
)
8
#
将训练过程产生的数据保存为h5文件
9
model.save(
'
sex/faces/sex_model.h5
'
)
8.绘制损失曲线和精度曲线图 。
1
#
绘制损失曲线和精度曲线图
2
accuracy = history_save.history[
'
acc
'
]
#
训练集精度
3
loss = history_save.history[
'
loss
'
]
#
训练集损失
4
val_loss = history_save.history[
'
val_loss
'
]
#
验证集精度
5
val_accuracy = history_save.history[
'
val_acc
'
]
#
验证集损失
6
plt.figure(figsize=(17, 7
))
7
8
#
训练集精度和验证集精度曲线图图
9
plt.subplot(2, 2, 1
)
10
plt.plot(range(50), accuracy,
'
bo
'
, label=
'
Training Accuracy
'
)
11
plt.plot(range(50), val_accuracy, label=
'
Validation Accuracy
'
)
12
plt.title(
'
Training and Validation Accuracy
'
)
13
plt.legend(loc=
'
center right
'
)
14
15
#
训练集损失和验证集损失图
16
plt.subplot(2, 2, 2
)
17
plt.plot(range(50), loss,
'
bo
'
, label=
'
Training Loss
'
)
18
plt.plot(range(50), val_loss, label=
'
Validation Loss
'
)
19
plt.title(
'
Training and Validation Loss
'
)
20
plt.legend(loc=
'
center right
'
)
21
22
#
训练集精度和损失散点图
23
plt.subplot(2, 2, 3
)
24
plt.scatter(range(50), accuracy, label=
"
Training Accuracy
"
, color=
'
b
'
, s=25, marker=
"
o
"
)
25
plt.scatter(range(50), loss, label=
"
Training Loss
"
, color=
'
r
'
, s=25, marker=
"
o
"
)
26
plt.title(
'
Training : Accuracy and Loss
'
)
27
plt.legend(loc=
'
center right
'
)
28
29
#
验证集精度和损失散点图
30
plt.subplot(2, 2, 4
)
31
plt.scatter(range(50), val_accuracy, label=
"
Validation Accuracy
"
, color=
'
b
'
, s=25, marker=
"
o
"
)
32
plt.scatter(range(50), val_loss, label=
"
Validation Loss
"
, color=
'
r
'
, s=25, marker=
"
o
"
)
33
plt.title(
'
Validation : Accuracy and Loss
'
)
34
plt.legend(loc=
'
center right
'
)
35
36
plt.show()
9.用ImageDataGenerator数据增强 。
1
train_datagen = ImageDataGenerator(rescale=1./255
,
2
rotation_range=40,
#
将图像随机旋转40度
3
width_shift_range=0.2,
#
在水平方向上平移比例为0.2
4
height_shift_range=0.2,
#
在垂直方向上平移比例为0.2
5
shear_range=0.2,
#
随机错切变换的角度为0.2
6
zoom_range=0.2,
#
图片随机缩放的范围为0.2
7
horizontal_flip=True,
#
随机将一半图像水平翻转
8
fill_mode=
'
nearest
'
)
#
填充创建像素
9
validation_datagen = ImageDataGenerator(rescale=1./255
)
10
11
train_generator =
train_datagen.flow_from_directory(
12
train_dir,
13
target_size=IMG_SIZE,
#
输入训练图像尺寸
14
batch_size=
BATCH_SIZE,
15
class_mode=
'
binary
'
)
16
17
validation_generator =
validation_datagen.flow_from_directory(
18
validation_dir,
19
target_size=
IMG_SIZE,
20
batch_size=
BATCH_SIZE,
21
class_mode=
'
binary
'
)
再次训练模型，并绘制绘制损失曲线和精度曲线图，得到结果图 。
。
。
10.随机选取测试集的图片进行预测 。
1
#
将图片缩小到（150，150）的大小
2
def
convertjpg(jpgfile, outdir, width=150, height=150
):
3
img =
Image.open(jpgfile)
4
try
:
5
new_img =
img.resize((width, height), Image.BILINEAR)
6
new_img.save(os.path.join(outdir, os.path.basename(jpgfile)))
7
except
Exception as e:
8
print
(e)
9
10
#
从测试集随机获取一张男性图片
11
man_test = r
'
sex\faces\test\man
'
12
man_test_list =
os.listdir(man_test)
13
key =
random.randint(0, len(man_test_list))
14
img_key =
man_test_list[key]
15
jpg_file =
os.path.join(man_test, img_key)
16
convertjpg(jpg_file,
"
sex/faces/test
"
)
#
图像大小改变到（150,150）
17
img_scale = plt.imread(
'
sex/faces/test/
'
+
img_key)
18
plt.imshow(img_scale)
#
显示改变图像大小后的图片确实变到了（150,150）大小
19
20
#
调用训练模型结果进行预测
21
model = load_model(
'
sex/faces/sex_model.h5
'
)
22
img_scale = img_scale.reshape(1, 150, 150, 3).astype(
'
float32
'
)
23
img_scale = img_scale/255
#
归一化到0-1之间
24
result = model.predict(img_scale)
#
取图片信息
25
if
result > 0.5
:
26
print
(
'
该图片是女性的概率为：
'
, result)
27
else
:
28
print
(
'
该图片是男性的概率为：
'
, 1-
result)
29
plt.show()
#
打印尺寸改变后的图像
。
1
#
从测试集随机获取一张女性图片
2
woman_test = r
'
sex\faces\test\woman
'
3
woman_test_list =
os.listdir(woman_test)
4
key =
random.randint(0, len(woman_test_list))
5
img_key =
woman_test_list[key]
6
jpg_file =
os.path.join(woman_test, img_key)
7
convertjpg(jpg_file,
"
sex/faces/test
"
)
#
图像大小改变到（150,150）
8
img_scale = plt.imread(
'
sex/faces/test/
'
+
img_key)
9
plt.imshow(img_scale)
#
显示改变图像大小后的图片确实变到了（150,150）大小
10
11
#
调用训练模型结果进行预测
12
model = load_model(
'
sex/faces/sex_model.h5
'
)
13
img_scale = img_scale.reshape(1, 150, 150, 3).astype(
'
float32
'
)
14
img_scale = img_scale/255
#
归一化到0-1之间
15
result = model.predict(img_scale)
#
取图片信息
16
if
result > 0.5
:
17
print
(
'
该图片是女性的概率为：
'
, result)
18
else
:
19
print
(
'
该图片是男性的概率为：
'
, 1-
result)
20
plt.show()
#
打印尺寸改变后的图像
11.自定义一张图片进行预测 。
#
自定义一张男性图片进行预测
diy_img =
'
sex/faces/man.jpg
'
convertjpg(diy_img,
"
sex
"
)
#
图像大小改变到（150,150）
img_scale = plt.imread(
'
sex/man.jpg
'
)
plt.imshow(img_scale)
#
显示改变图像大小后的图片确实变到了（150,150）大小
#
调用数据增强后的训练模型结果进行预测
model = load_model(
'
sex/faces/sex_model_idg.h5
'
)
img_scale
= img_scale.reshape(1, 150, 150, 3).astype(
'
float32
'
)
img_scale
= img_scale/255
#
归一化到0-1之间
result = model.predict(img_scale)
#
取图片信息
if
result > 0.5
:
print
(
'
该图片是女性的概率为：
'
, result)
else
:
print
(
'
该图片是男性的概率为：
'
, 1-
result)
plt.show()
#
打印尺寸改变后的图像
。
。
1
#
自定义一张女性图片进行预测
2
diy_img =
'
sex/faces/woman_2.jpg
'
3
convertjpg(diy_img,
"
sex
"
)
#
图像大小改变到（150,150）
4
img_scale = plt.imread(
'
sex/woman_2.jpg
'
)
5
plt.imshow(img_scale)
#
显示改变图像大小后的图片确实变到了（150,150）大小
6
7
#
调用数据增强后的训练模型结果进行预测
8
model = load_model(
'
sex/faces/sex_model.h5
'
)
9
img_scale = img_scale.reshape(1, 150, 150, 3).astype(
'
float32
'
)
10
img_scale = img_scale/255
#
归一化到0-1之间
11
result = model.predict(img_scale)
#
取图片信息
12
if
result > 0.5
:
13
print
(
'
该图片是女性的概率为：
'
, result)
14
else
:
15
print
(
'
该图片是男性的概率为：
'
, 1-
result)
16
plt.show()
#
打印尺寸改变后的图像
。
。
。
。
。
全部代码:
1
import
os
2
import
random
3
from
shutil
import
copy
4
from
matplotlib
import
pyplot as plt
5
from
keras
import
optimizers
6
from
keras
import
models
7
from
keras
import
layers
8
from
keras.preprocessing.image
import
ImageDataGenerator
9
from
keras.models
import
load_model
10
from
PIL
import
Image
11
12
#
女性图片训练集想保存到的根路径
13
woman_train_dir = r
'
sex\faces\train\woman
'
14
#
女性图片验证集想保存到的根路径
15
woman_validation_dir = r
'
sex\faces\validation\woman
'
16
#
女性图片测试集想保存到的根路径
17
woman_test_dir = r
'
sex\faces\test\woman
'
18
19
#
男性图片训练集想保存到的根路径
20
man_train_dir = r
'
sex\faces\train\man
'
21
#
男性图片验证集想保存到的根路径
22
man_validation_dir = r
'
sex\faces\validation\man
'
23
#
男性图片测试集想保存到的根路径
24
man_test_dir = r
'
sex\faces\test\man
'
25
26
#
创建列表，保存上方6个路径
27
dir_list =
[woman_train_dir, woman_validation_dir, woman_test_dir,
28
man_train_dir, man_validation_dir, man_test_dir]
29
#
如果目录不存在，则创建
30
for
dir_child
in
dir_list:
31
if
not
os.path.isdir(dir_child):
32
os.makedirs(dir_child)
33
34
#
女性图片根路径
35
woman_path = r
'
sex\faces\woman
'
36
#
获取 woman_path 下的文件夹列表
37
woman_path_list =
os.listdir(woman_path)
38
#
遍历列表，取6000张图片加入训练集，3000张图片加入验证集，其余加入测试集
39
for
i
in
range(len(woman_path_list)):
40
child_path =
os.path.join(woman_path, woman_path_list[i])
41
if
i < 6000
:
42
to_path =
woman_train_dir
43
elif
i < 9000
:
44
to_path =
woman_validation_dir
45
else
:
46
to_path =
woman_test_dir
47
copy(child_path, to_path)
48
49
#
男性图片根路径
50
man_path = r
'
sex\faces\man
'
51
#
获取 man_path 下的文件夹列表
52
man_path_list =
os.listdir(man_path)
53
#
遍历列表，取6000张图片加入训练集，3000张图片加入验证集，其余加入测试集
54
for
i
in
range(len(man_path_list)):
55
child_path =
os.path.join(man_path, man_path_list[i])
56
if
i < 6000
:
57
to_path =
man_train_dir
58
elif
i < 9000
:
59
to_path =
man_validation_dir
60
else
:
61
to_path =
man_test_dir
62
copy(child_path, to_path)
63
64
#
输出各目录中的文件数目
65
train_path =
"
sex/faces/train/
"
66
print
(
'
total training woman images:
'
, len(os.listdir(train_path+
"
woman
"
)))
67
print
(
'
total training man images:
'
, len(os.listdir(train_path+
"
man
"
)))
68
69
valid_path =
"
sex/faces/validation/
"
70
print
(
'
total validation woman images:
'
, len(os.listdir(valid_path+
"
woman
"
)))
71
print
(
'
total validation man images:
'
, len(os.listdir(valid_path+
"
man
"
)))
72
73
test_path =
"
sex/faces/test/
"
74
print
(
'
total test woman images:
'
, len(os.listdir(test_path+
"
woman
"
)))
75
print
(
'
total test man images:
'
, len(os.listdir(test_path+
"
man
"
)))
76
77
#
查看图像以及对应的标签
78
fit, ax = plt.subplots(nrows=3, ncols=3, figsize=(10, 7
))
79
#
查看图像的根路径
80
test_view_path = r
'
sex\faces\test\man
'
81
#
获取 test_view_path 下的文件夹列表
82
test_view_list =
os.listdir(test_view_path)
83
for
i, a
in
enumerate(ax.flat):
84
view_path =
os.path.join(test_view_path, test_view_list[i])
85
#
读取源图
86
a.imshow(plt.imread(view_path))
87
#
添加图像名称
88
a.set_title(man_path_list[i])
89
plt.tight_layout()
#
自动调整子图参数，使之填充整个图像区域
90
plt.show()
91
92
#
图片预处理
93
#
批量大小
94
BATCH_SIZE = 20
95
#
输入图片的大小
96
IMG_SIZE = (150, 150
)
97
98
#
归一化处理
99
train_datagen = ImageDataGenerator(rescale=1./255
)
100
validation_datagen = ImageDataGenerator(rescale=1./255
)
101
test_datagen = ImageDataGenerator(rescale=1./255
)
102
103
train_dir =
'
sex/faces/train
'
#
指向训练集图片目录路径
104
105
train_generator =
train_datagen.flow_from_directory(
106
train_dir,
107
target_size=IMG_SIZE,
#
输入训练图像尺寸
108
batch_size=
BATCH_SIZE,
109
color_mode=
'
rgb
'
,
110
class_mode=
'
binary
'
)
111
112
validation_dir =
'
sex/faces/validation
'
#
指向验证集图片目录路径
113
114
validation_generator =
validation_datagen.flow_from_directory(
115
validation_dir,
116
target_size=
IMG_SIZE,
117
batch_size=
BATCH_SIZE,
118
color_mode=
'
rgb
'
,
119
class_mode=
'
binary
'
)
120
121
test_dir =
'
sex/faces/test
'
#
指向测试集图片目录路径
122
123
test_generator =
test_datagen.flow_from_directory(
124
test_dir,
125
target_size=
IMG_SIZE,
126
batch_size=
BATCH_SIZE,
127
color_mode=
'
rgb
'
,
128
class_mode=
'
binary
'
)
129
130
#
查看经过处理的图片以及它的binary标签
131
fit, ax = plt.subplots(nrows=3, ncols=3, figsize=(10, 7
))
132
133
for
i, a
in
enumerate(ax.flat):
134
img, label =
test_generator.next()
135
a.imshow(img[0],)
136
a.set_title(label[0])
137
138
plt.tight_layout()
139
plt.show()
140
141
#
构建神经网络
142
model =
models.Sequential()
143
144
#
1.Conv2D层，32个过滤器。输出图片尺寸：150-3+1=148*148，参数数量：32*3*3*3+32=896
145
model.add(layers.Conv2D(32, (3, 3
),
146
activation=
'
relu
'
,
147
input_shape=(150, 150, 3)))
#
卷积层1
148
model.add(layers.MaxPooling2D((2, 2)))
#
最大值池化层1。输出图片尺寸：148/2=74*74
149
150
#
2.Conv2D层，64个过滤器。输出图片尺寸：74-3+1=72*72，参数数量：64*3*3*32+64=18496
151
model.add(layers.Conv2D(64, (3, 3
),
152
activation=
'
relu
'
))
#
卷积层2
153
model.add(layers.MaxPooling2D((2, 2)))
#
最大值池化层2。输出图片尺寸：72/2=36*36
154
155
#
3.Conv2D层，128个过滤器。输出图片尺寸：36-3+1=34*34，参数数量：128*3*3*64+128=73856
156
model.add(layers.Conv2D(128, (3, 3
),
157
activation=
'
relu
'
))
#
卷积层3
158
model.add(layers.MaxPooling2D((2, 2)))
#
最大值池化层3。输出图片尺寸：34/2=17*17
159
160
#
4.Conv2D层，128个过滤器。输出图片尺寸：17-3+1=15*15，参数数量：128*3*3*128+128=147584
161
model.add(layers.Conv2D(128, (3, 3
),
162
activation=
'
relu
'
))
#
卷积层4
163
model.add(layers.MaxPooling2D((2, 2)))
#
最大值池化层4。输出图片尺寸：15/2=7*7
164
165
#
将输入层的数据压缩成1维数据，全连接层只能处理一维数据
166
model.add(layers.Flatten())
167
168
#
全连接层
169
model.add(layers.Dense(512
,
170
activation=
'
relu
'
))
#
全连接层1
171
model.add(layers.Dense(1
,
172
activation=
'
sigmoid
'
))
#
全连接层2，作为输出层。sigmoid分类，输出是两类别
173
174
#
编译模型
175
#
RMSprop 优化器。因为网络最后一层是单一sigmoid单元，
176
#
所以使用二元交叉熵作为损失函数
177
model.compile(loss=
'
binary_crossentropy
'
,
178
optimizer=optimizers.RMSprop(lr=1e-4
),
179
metrics=[
'
acc
'
])
180
181
#
看一下特征图的维度如何随着每层变化
182
model.summary()
183
#
184
185
train_datagen = ImageDataGenerator(rescale=1./255
,
186
rotation_range=40,
#
将图像随机旋转40度
187
width_shift_range=0.2,
#
在水平方向上平移比例为0.2
188
height_shift_range=0.2,
#
在垂直方向上平移比例为0.2
189
shear_range=0.2,
#
随机错切变换的角度为0.2
190
zoom_range=0.2,
#
图片随机缩放的范围为0.2
191
horizontal_flip=True,
#
随机将一半图像水平翻转
192
fill_mode=
'
nearest
'
)
#
填充创建像素
193
validation_datagen = ImageDataGenerator(rescale=1./255
)
194
195
train_generator =
train_datagen.flow_from_directory(
196
train_dir,
197
target_size=IMG_SIZE,
#
输入训练图像尺寸
198
batch_size=
BATCH_SIZE,
199
class_mode=
'
binary
'
)
200
201
validation_generator =
validation_datagen.flow_from_directory(
202
validation_dir,
203
target_size=
IMG_SIZE,
204
batch_size=
BATCH_SIZE,
205
class_mode=
'
binary
'
)
206
#
207
#
训练模型50轮次
208
history_save =
model.fit(
209
train_generator,
210
steps_per_epoch=100
,
211
epochs=50
,
212
validation_data=
validation_generator,
213
validation_steps=50
)
214
215
#
将训练过程产生的数据保存为h5文件
216
model.save(
'
sex/faces/sex_model.h5
'
)
217
#
保存数据增强后的训练模型
218
model.save(
'
sex/faces/sex_model_idg.h5
'
)
219
220
#
绘制损失曲线和精度曲线图
221
accuracy = history_save.history[
'
acc
'
]
#
训练集精度
222
loss = history_save.history[
'
loss
'
]
#
训练集损失
223
val_loss = history_save.history[
'
val_loss
'
]
#
验证集精度
224
val_accuracy = history_save.history[
'
val_acc
'
]
#
验证集损失
225
plt.figure(figsize=(17, 7
))
226
227
#
训练集精度和验证集精度曲线图图
228
plt.subplot(2, 2, 1
)
229
plt.plot(range(50), accuracy,
'
bo
'
, label=
'
Training Accuracy
'
)
230
plt.plot(range(50), val_accuracy, label=
'
Validation Accuracy
'
)
231
plt.title(
'
Training and Validation Accuracy
'
)
232
plt.legend(loc=
'
center right
'
)
233
234
#
训练集损失和验证集损失图
235
plt.subplot(2, 2, 2
)
236
plt.plot(range(50), loss,
'
bo
'
, label=
'
Training Loss
'
)
237
plt.plot(range(50), val_loss, label=
'
Validation Loss
'
)
238
plt.title(
'
Training and Validation Loss
'
)
239
plt.legend(loc=
'
center right
'
)
240
241
#
训练集精度和损失散点图
242
plt.subplot(2, 2, 3
)
243
plt.scatter(range(50), accuracy, label=
"
Training Accuracy
"
, color=
'
b
'
, s=25, marker=
"
o
"
)
244
plt.scatter(range(50), loss, label=
"
Training Loss
"
, color=
'
r
'
, s=25, marker=
"
o
"
)
245
plt.title(
'
Training : Accuracy and Loss
'
)
246
plt.legend(loc=
'
center right
'
)
247
248
#
验证集精度和损失散点图
249
plt.subplot(2, 2, 4
)
250
plt.scatter(range(50), val_accuracy, label=
"
Validation Accuracy
"
, color=
'
b
'
, s=25, marker=
"
o
"
)
251
plt.scatter(range(50), val_loss, label=
"
Validation Loss
"
, color=
'
r
'
, s=25, marker=
"
o
"
)
252
plt.title(
'
Validation : Accuracy and Loss
'
)
253
plt.legend(loc=
'
center right
'
)
254
255
plt.show()
256
257
#
将图片缩小到（150，150）的大小
258
def
convertjpg(jpgfile, outdir, width=150, height=150
):
259
img =
Image.open(jpgfile)
260
try
:
261
new_img =
img.resize((width, height), Image.BILINEAR)
262
new_img.save(os.path.join(outdir, os.path.basename(jpgfile)))
263
except
Exception as e:
264
print
(e)
265
266
#
从测试集随机获取一张男性图片
267
man_test = r
'
sex\faces\test\man
'
268
man_test_list =
os.listdir(man_test)
269
key =
random.randint(0, len(man_test_list))
270
img_key =
man_test_list[key]
271
jpg_file =
os.path.join(man_test, img_key)
272
convertjpg(jpg_file,
"
sex/faces/test
"
)
#
图像大小改变到（150,150）
273
img_scale = plt.imread(
'
sex/faces/test/
'
+
img_key)
274
plt.imshow(img_scale)
#
显示改变图像大小后的图片确实变到了（150,150）大小
275
276
#
调用训练模型结果进行预测
277
model = load_model(
'
sex/faces/sex_model.h5
'
)
278
img_scale = img_scale.reshape(1, 150, 150, 3).astype(
'
float32
'
)
279
img_scale = img_scale/255
#
归一化到0-1之间
280
result = model.predict(img_scale)
#
取图片信息
281
if
result > 0.5
:
282
print
(
'
该图片是女性的概率为：
'
, result)
283
else
:
284
print
(
'
该图片是男性的概率为：
'
, 1-
result)
285
plt.show()
#
打印尺寸改变后的图像
286
287
#
从测试集随机获取一张女性图片
288
woman_test = r
'
sex\faces\test\woman
'
289
woman_test_list =
os.listdir(woman_test)
290
key =
random.randint(0, len(woman_test_list))
291
img_key =
woman_test_list[key]
292
jpg_file =
os.path.join(woman_test, img_key)
293
convertjpg(jpg_file,
"
sex/faces/test
"
)
#
图像大小改变到（150,150）
294
img_scale = plt.imread(
'
sex/faces/test/
'
+
img_key)
295
plt.imshow(img_scale)
#
显示改变图像大小后的图片确实变到了（150,150）大小
296
297
#
调用训练模型结果进行预测
298
model = load_model(
'
sex/faces/sex_model.h5
'
)
299
img_scale = img_scale.reshape(1, 150, 150, 3).astype(
'
float32
'
)
300
img_scale = img_scale/255
#
归一化到0-1之间
301
result = model.predict(img_scale)
#
取图片信息
302
if
result > 0.5
:
303
print
(
'
该图片是女性的概率为：
'
, result)
304
else
:
305
print
(
'
该图片是男性的概率为：
'
, 1-
result)
306
plt.show()
#
打印尺寸改变后的图像
307
308
#
自定义一张男性图片进行预测
309
diy_img =
'
sex/faces/man.jpg
'
310
convertjpg(diy_img,
"
sex
"
)
#
图像大小改变到（150,150）
311
img_scale = plt.imread(
'
sex/man.jpg
'
)
312
plt.imshow(img_scale)
#
显示改变图像大小后的图片确实变到了（150,150）大小
313
314
#
调用数据增强后的训练模型结果进行预测
315
model = load_model(
'
sex/faces/sex_model_idg.h5
'
)
316
img_scale = img_scale.reshape(1, 150, 150, 3).astype(
'
float32
'
)
317
img_scale = img_scale/255
#
归一化到0-1之间
318
result = model.predict(img_scale)
#
取图片信息
319
if
result > 0.5
:
320
print
(
'
该图片是女性的概率为：
'
, result)
321
else
:
322
print
(
'
该图片是男性的概率为：
'
, 1-
result)
323
plt.show()
#
打印尺寸改变后的图像
324
325
#
自定义一张女性图片进行预测
326
diy_img =
'
sex/faces/woman_2.jpg
'
327
convertjpg(diy_img,
"
sex
"
)
#
图像大小改变到（150,150）
328
img_scale = plt.imread(
'
sex/woman_2.jpg
'
)
329
plt.imshow(img_scale)
#
显示改变图像大小后的图片确实变到了（150,150）大小
330
331
#
调用数据增强后的训练模型结果进行预测
332
model = load_model(
'
sex/faces/sex_model.h5
'
)
333
img_scale = img_scale.reshape(1, 150, 150, 3).astype(
'
float32
'
)
334
img_scale = img_scale/255
#
归一化到0-1之间
335
result = model.predict(img_scale)
#
取图片信息
336
if
result > 0.5
:
337
print
(
'
该图片是女性的概率为：
'
, result)
338
else
:
339
print
(
'
该图片是男性的概率为：
'
, 1-
result)
340
plt.show()
#
打印尺寸改变后的图像
。
最后此篇关于机器学习——人脸性别识别的文章就讲到这里了,如果你想了解更多关于机器学习——人脸性别识别的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。
27
4
0
PyCaret是一个开源、低代码Python机器学习库，能够自动化机器学习工作流程。它是一个端到端的机器学习和模型管理工具，极大地加快了实验周期，提高了工作效率。PyCaret本质上是围绕几个机器学习
在我的研究进展中，我现在已经将寄生虫从图像中分离出来。寄生虫看起来像蠕虫。我希望 MATLAB 读取所有输入图像，查找类似深紫色图像的蠕虫，如果检测到，则给出检测到的答复。我尝试使用直方图比较，但我认
目前我正在尝试了解机器学习算法的工作方式，但我没有真正了解的一件事是预测标签的计算准确度与视觉混淆矩阵之间的明显差异。我会尽量解释清楚。 这是数据集的片段(这里你可以看到 9 个样本(在真实数据集中大
第一章 绪论 机器学习 ： 致力于研究如何通过计算的手段，利用经验来改善系统自身的性能。在计算机系统中， “经验” 通常以“数据“形式存在，因此，机器学习所研究的主要内容，是关于在计算
1. 算法原理（K-Nearest Neighbor） 本质是通过距离判断两个样本是否相似，如果距离够近就认为他们足够相似属于同一类别 找到离其最近的 k 个样本，并将这些样本称
前言 K-means是一种经典的无监督学习算法，用于对数据进行聚类。K-means算法将数据集视为具有n个特征的n维空间，并尝试通过最小化簇内平方误差的总和来将数据点划分为簇。本文将介绍K-m
目录 前言 介绍LightGBM LightGBM的背景和起源 L
前言 可以说掌握了机器学习，你就具备了与机器对话，充分利用机器为人类服务的能力。在人工智能时代，这将成为一项必备技能，就好比十年前你是编程大牛，二十年前你英语超好一样。因此，无论你是什么专业的
几个贯穿始终的概念 当我们把人类学习简单事物的过程抽象为几个阶段，再将这些阶段通过不同的方法具体化为代码，依靠通过计算机的基础能力-- 计算 。我们就可以让机器能够“学会”一些简单的事物。
1、选题背景 人脸识别技术是模式识别和计算机视觉领域最富挑战性的研究课题之一，也是近年来的研究热点，人脸性别识别作为人脸识别技术
每当我们在公有云或者私有云发布训练好的大数据模型，为了方便大家辨识、理解和运用，参照huggingface所制定的标准制作一个Model Card展示页，是种非常好的模型展示和组织形式。 下面就是一
2. 支持向量机 对偶优化 拉格朗日乘数法可用于解决带条件优化问题，其基本形式为： \[\begin{gather} \min_w f(w),\\ \mathrm{s.t.} \quad
我正在尝试运行以下代码: https://github.com/opencv/opencv/blob/master/samples/dnn/classification.cpp 我在这里找到所有经过预
我是机器学习新手。当我使用 scikit-learn 模块中的波士顿数据集练习具有默认参数的决策树回归模型时。 在此链接解决方案( How to Build a Decision tree Regre
我有用于训练的数据。当我将其输入神经网络时，该数据出现 3% 的错误。 我知道这些数据有一定的过度代表性 - 例如，第 5 类的示例大约是其他类的十分之一。 我的作业指出，我可以通过偏置训练数据(即删
我在 Python 的多类分类中使用 SVM 时遇到问题。事实上，问题在于性别分类(来自图像)，其中训练数据集仅包含“y=1”或“ y=-1”作为类标签(二进制)。但是，在预测中，如果是男性，我必须预
以防万一你们不知道，对抗性图像是属于某个类别的图像，但随后被扭曲，而人眼没有任何视觉感知差异，但网络错误地将其识别为完全不同的类别。 有关此内容的更多信息，请参见此处: http://karpathy
我正在进行一个 ML 语言识别项目 (Python)，该项目需要具有高维特征输入的多类分类模型。 目前，我所能做的就是通过反复试验来提高准确性。无意识地结合可用的特征提取算法和可用的机器学习模型，看看
import numpy as np def sigmoid(x): return 1.0/(1+np.asmatrix(np.exp(-x))) def graD(X,y,alpha,s0,
所以我有多个列表: ['disney','england','france'] ['disney','japan'] ['england', 'london'] ['disney', 'france'
我是一名优秀的程序员,十分优秀！