如果我们只有训练数据，将模型训练出来后，是不知道这个模型的好坏的，所以一般我们不会直接把数据全部拿去做训练，而是将数据分成“训练数据集”、“测试数据集”、“验证数据集” 3部分这次我们只将数据分割“训练数据集”和“测试数据集”。上一篇博客，我们将所有的数据都放在generator文件夹里面，我们需要把它们取出来，随机的分成“训练数据”和“测试数据”，代码如下：加载所有的图片impo...

损失函数是用来度量模型一次预测结果的好坏我们规定输入值为X，则f(X)为预测值，y为真实值。这个时候我们需要一个衡量预测值和真实值之间的差距的函数，我们就称这个函数为损失函数，记作L(y,f(X))用于回归问题均方误差N个平方损失函数之和再求平均值MSE=1N∑i=1N(y(i))−f(x(i)))2MSE = \frac{1}{N}\sum_{i=1}^{N}(y^{(i))} - ...

实战篇中，人脸识别模型的搭建看似非常复杂，其实都是由一些常用的神经网络层搭建而来，只要我们明白了这些网络层，搭建一个模型就不再困难了神经网络搭建的方式有2种：顺序模型和函数式API计算机视觉常用的神经网络层：全连接层、二维卷积层、池化层、BN层、dropout层、flaten层下面我们分别介绍他们全连接层全连接层的每一个节点都和上一层所有的节点相连，从而把之前提取到的特征综合起来。如下图...

深度学习的3个核心就是优秀的算法设计、高性能的计算能力、大数据所以说数据非常重要，但我们数据不够，所以我们需要数据增强通常的手段有：随机裁剪、颜色改变、水平或竖直翻转、随机改变大小、加入噪声、对图片进行仿射变换等开始吧！在data目录下，新建一个新的目录generator，运行下面的代码：图片变换的工具类import osimport numpy as npimport...

问题描述作为一个优秀的菜鸟，内存爆炸这个坑一定会踩一下的：以前的训练数据都是几千的样本，直接用numpy读取到内存中，不会出什么问题今天突然读取一个4万的数据集，我算了一下，我的样本是227 * 227 * 3的，所以一个样本大小大约是 (227 * 227 * 3 * 8)byte = 151KB 左右，4万张图片就是5898MB，相当于6个G了（不知道计算的对不对，难怪我8个G的内存一下...

softmaxkeras.activations.softmax(x, axis=-1)softmax计算公式：作用放大数据之间的差距，让数据大的更大，比如[1,1,2]对应的结果为[0.21194156 0.21194156 0.57611688]参数说明：x:张量ndim维度为x的维度：当ndim = 1时：会报错（Ca...

经过上一篇博客，我们已经获得了人脸分类的模型，这次我们只需要简单的调整，就可以获得提取人脸特征的模型，然后对比人脸之间的特征，就可以知道2张图片是否是同一个人了代码步骤如下从“olivettifaces.jpg”中截取人脸，将同一个人的人脸放在同一文件夹下读取上一个博客的训练好的模型修改模型为提取特征的模型从同一个头像文件夹下读取图片，将第一张图片与其他图片的特征做对比，查看对比结果...

为了让大家，更快的上手，先看到效果，在一步一步的分析理论，我这里简要的介绍一下模型就开始上代码。人脸识别模型与分类模型的区别？识别2张图中的人脸的流程是：模型分别提取图片中人脸的特征，然后对比2张图片中人脸特征的相似度，如果相似度小于一个阈值，我们就认为他们是同一个人分类模型的流程是：提取图片中的特征，然后用最后一次（softmax）层将特征值进行计算，它属于哪一类于是乎，我们利用分类模...

深度学习的3个核心就是优秀的算法设计、高性能的计算能力、大数据所以说数据非常重要，但我们数据不够，所以我们需要数据增强通常的手段有：随机裁剪、颜色改变、水平或竖直翻转、随机改变大小、加入噪声、对图片进行仿射变换等开始吧！在data目录下，新建一个新的目录generator，运行下面的代码：图片变换的工具类import osimport numpy as npimport...

喜欢编写应用的方式去学习和理解知识点。本系列博客，会先从人脸识别项目入手，一步一步搭建人脸识别项目，让大家感性的认识深度学习。搭建项目需要下面这些步骤获得训练数据获取数据数据增强分割数据搭建人脸识别模型人脸特征模型训练特征区分模型训练测试模型准确率测试模式准确率，并优化人脸活体检测...