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...

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...

上一篇博客，我们学会如何训练模型，但是训练好的模型我们需要保存下来啊？一般有2种方式。第一种，我们可以等模型训练完了，再调用保存模型的方法。但是一般不用等模型训练完，模型就能达到很高的精度，另外一方面，训练完的模型可能过拟合或者还不如训练过程中的精度高。所以；我们我们经常用第二种，在训练过程中，就不断的保存模型。这里就需要用到回调函数了callbackscallbacks创建还是直接上代码...

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...

springboot+jsp打jar，亲测可用，带源码

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...

由于获取的数据（比如图片分辨率），大多不一致，为了更好的训练模型，我们常常需要对数据进行简单的处理，本次人脸模型数据训练处理方式如下：归一化平时我们图片一般是RGB的，每个像素的取值范围为0-255，由于现在的模型深度比较深，所以在计算的时候，由于底层的一点点小的变化，都会导致高层的剧烈变化，甚至超出数据的最大范围。所以我们需要对数据处理一下。我们处理数据主要的方式“数据归一化”，数据归一化...

上一篇博客，我们学会如何训练模型，但是训练好的模型我们需要保存下来啊？一般有2种方式。第一种，我们可以等模型训练完了，再调用保存模型的方法。但是一般不用等模型训练完，模型就能达到很高的精度，另外一方面，训练完的模型可能过拟合或者还不如训练过程中的精度高。所以；我们我们经常用第二种，在训练过程中，就不断的保存模型。这里就需要用到回调函数了callbackscallbacks创建还是直接上代码...