《机器学习项目开发实战》-课件 项目5 深度神经网络项目实战-人脸识别

深度神经网络项目实战-人脸识别项目背景与目标CONTENTSOrderNow01任务描述02知识储备03任务实施04任务评价/01任务描述任务描述任务：客户市场细分本任务聚焦于深入调用分析人脸识别项目的背景、目标与价值，深入分析其技术需求和应用场景。在此过程中，明确项目的具体目标，包括通过深度学习框架选择、人脸识别实现。随后收集整理人脸识别相关数据集，并确保数据集完整可用，为后续项目开展做好数据准备。/02知识储备人脸识别概念人脸识别是一种基于人脸特征信息进行身份识别的生物识别技术。它通过分析人脸图像或视频中的面部特征（如五官位置、轮廓、纹理等），识别或验证个体身份。人脸识别技术结合了计算机视觉、图像处理、模式识别和机器学习等领域的技术，具有非接触性、便捷性和高效性等特点。技术原理人脸检测从图像或视频中定位人脸区域。01特征提取利用深度学习模型（如卷积神经网络）提取人脸的高维特征向量。02特征匹配将提取的特征与数据库中的特征进行比对，计算相似度并确定身份。03应用场景安防监控用于公共场所的身份验证、嫌疑人追踪等。1智能门禁应用于企业、学校、社区的出入口管理。2金融支付支持刷脸支付、身份验证等场景。3智能设备如手机解锁、智能相册分类等。4公共服务用于机场、车站的快速安检，以及医疗、社保等领域的身份核验。5深度学习概念通过多层神经网络模拟人脑的学习机制，从数据中自动提取特征并进行模式识别。深度学习实现过程深度学习作为机器学习的一个子领域，能够通过多层神经网络模拟人脑的学习机制，从数据中自动提取特征并进行模式识别。输入层隐藏层输出层卷积神经网络专为处理图像数据设计，通过卷积层提取局部特征，池化层降低数据维度。Part01循环神经网络能够处理序列数据，通过时间步共享权重捕捉时间依赖性，在自然语言处理、时间序列预测等领域大显身手。Part02生成对抗网络由生成器和判别器组成，通过对抗训练生成逼真数据，在图像生成、风格迁移等方面展现出独特魅力。Part03常见模型算法优化随机梯度下降梯度下降的“加速版”，每次只用一个样本计算梯度并更新参数，大大减少了计算量，适合大规模数据集训练，但更新可能不太稳定梯度下降最基础的优化算法，通过计算损失函数对参数的梯度，以固定步长更新参数，逐步逼近最优解。神经网络神经网络工作原理实施步骤010203040506清洗数据将数据划分为训练集、验证集和测试集，为模型的训练和评估做好准备模型训练设置合适的超参数，防止过拟合或欠拟合模型优化早停法、Dropout、BatchNormalization选择模型架构可以从头开始构建模型，也可以使用预训练模型进行迁移学习评估性能在独立的测试集上评估其性能，确保结果的可靠性模型部署将模型导出为可部署格式，集成到Web服务、移动应用或边缘设备中/03任务实施收集并整理数据集Opencv数据集包含40个人的正脸照片，每个人有10张照片，总共400张图片。每个人作为一类，分别存放在独立的文件夹中，每个文件夹包含10张人脸数据。所有图片格式为PGM，尺寸为92x112像素。搭建深度学习框架pipinstalltensorflownvidia-smipipinstalltensorflowTensorflow安装-CPU版本Tensorflow安装-GPU版本Tensorflow2安装搭建深度学习框架1importtensorflowastf2print("TensorFlowversion:",tf.__version__)3print("NumGPUsAvailable:",len(tf.config.list_physical_devices('GPU')))验证安装搭建深度学习框架1gpus=tf.config.experimental.list_physical_devices('GPU')2ifgpus:3try:4tf.config.experimental.set_memory_growth(gpus[0],True)5exceptRuntimeErrorase:6print(e)内存不足解决方案/04任务评价任务评价1.是否成功安装Tensorflow？2.是否成功验证Tensorflow安装情况，并显示GPU数量？3.模拟内存不足解决方案能够解决预设情况？THANKS课程结束，谢谢观看深度神经网络项目实战-人脸识别TensorFlow框架选择与应用CONTENTSOrderNow01任务描述02知识储备03任务实施04任务评价/01任务描述任务描述任务：人脸识别本任务聚焦于TensorFlow框架的基础学习与实践应用，掌握其核心功能及在深度学习项目中的使用方法，包括模型构建、训练与优化。通过理论与实践结合，为后续复杂模型的开发与训练奠定坚实的技术基础。/02知识储备TensorFlow简介TensorFlow是由谷歌开发的开源机器学习框架，自诞生以来就广泛应用于深度学习和人工智能的各个领域。强大的计算图支持使用数据流图来表示计算过程，在这个图中，节点表示数学操作，边则表示多维数组，也就是张量。Part01丰富的API提供了低级API和高级API，满足不同层次开发者的需求。Part02出色的跨平台支持能力无论是Windows、Linux还是macOS操作系统，也不管是CPU、GPU还是TPU硬件设备，TensorFlow都能很好地适应。Part03TensorFlow特点应用领域计算机视觉从图像分类到目标检测，从图像生成到人脸识别，都能看到它的身影。01自然语言处理文本分类、机器翻译、情感分析等任务都可以借助TensorFlow来实现。02语音识别合成语音识别系统能够将语音转文字，语音合成技术则可以将文字转换为自然流畅的语音。03推荐系统协同过滤或深度学习模型，能够预测用户兴趣，优化用户体验。04基本概念1张量TensorFlow中的基本数据结构，类似多维数组。2计算图用于描述整个计算过程，将计算任务分解为节点和边。3会话执行计算图中的操作。4变量在模型训练过程中，参数会被不断更新，以优化模型的性能。5占位符用于在计算图中定义输入数据的位置。核心功能01计算图让开发者可以像执行普通Python代码一样进行计算，方便调试和快速开发。自动微分让开发者无需关注梯度计算的细节，专注于模型的设计和构建，大大提升了开发效率。0206Keras让开发者在享受高级API便捷性的同时，也能够根据需要深入到底层进行定制和优化。分布式计算加速模型训练过程，缩短训练时间，为处理海量数据和复杂模型提供了有力支持。​0305可视化让开发者能够更加清晰地了解模型的运行状态。​模型保存与加载确保了模型的可复用性和持久性，避免了重复训练的时间和资源浪费。​04/03任务实施加载数据集1importos2importcv23importnumpyasnp4fromtensorflow.kerasimportlayers,models5fromsklearn.model_selectionimporttrain_test_split6fromtensorflow.keras.utilsimportto_categorical7importmatplotlib.pyplotasplt数据预处理1images=np.array(images,dtype='float32')/255.0图像数据归一化增加通道维度1images=np.expand_dims(images,axis=-1)1labels=to_categorical(labels,num_classes=current_label)增加通道维度标签转换为独热编码增加通道维度1print(f"Loaded{len(images)}imageswith{len(label_dict)}classes.")1X_train,X_test,y_train,y_test=train_test_split(images,labels,test_size=0.2,random_state=42)查看数据划分数据集/04任务评价任务评价1.是否成功加载数据，并实现了图像的归一化处理？2.是否成功增加通道维度并将标签转换为独热编码？3.是否成功查看了数据并划分数据集？THANKS课程结束，谢谢观看深度神经网络项目实战-人脸识别基于CNN实现人脸识别CONTENTSOrderNow01任务描述02知识储备03任务实施04任务评价/01任务描述任务描述任务：人脸识别本任务聚焦于利用TensorFlow搭建卷积神经网络（CNN）模型，训练得到人脸识别模型。学生将掌握CNN在图像处理中的应用技巧，熟悉TensorFlow框架的操作流程，完成从模型构建与模型训练的实践操作，为实际人脸识别项目提供坚实的技术支持与解决方案。/02知识储备CNN基本概念专为处理像图像、视频这样具有网格结构的数据而生的深度学习模型。通过卷积操作提取图像的局部特征，就像我们观察线条和纹理，再通过池化操作降低数据维度，让信息处理更高效。CNN组成卷积层用卷积核在图像上滑动，提取各种特征。Part01激活函数没有激活函数，再多的卷积层也只能做线性变换，就像人没有想象力，只能机械地处理信息。Part02池化层减少数据量，降低计算负担，又能让模型对图像的平移、旋转等变化更“宽容”，增强鲁棒性。Part03全连接层把前面卷积层和池化层提取的特征汇总起来，为最后的决策做准备。Part04输出层如果是分类任务，就用Softmax函数输出各个类别的概率；如果是回归任务，就用线性函数给出具体数值。Part05CNN工作原理预处理对图像进行预处理，比如归一化，让数据更“规整”。01特征提取第一层卷积层可能提取出线条、拐角等低级特征，就像我们识别笔画；02整合特征逐步整合这些特征，形成数字的形状等高级特征，就像我们把笔画组合成数字。03输出在输出层转化为我们需要的结果，比如判断这是数字“8”04优势1局部感受野卷积操作只关注图像的局部区域，大大减少了参数数量，让计算更高效。2参数共享同一个卷积核在图像上各个位置使用相同的参数，进一步降低了模型的复杂度。3层次化特征提取从低级的边缘到高级的物体形状，逐步深入理解图像内容。4平移不变性不管物体在图像中的哪个位置，CNN都能准确识别。应用场景02目标检测“火眼金睛”，在自动驾驶中实时识别道路上的车辆、行人03医学图像分割化身为“精密手术刀”，帮助医生勾勒出病灶的边界05图像生成生成对抗网络结合，成为了“数字艺术家”，能创造出以假乱真的图像04人脸识别安防系统的“守门人”，准确验证身份01图像分类能像图书管理员一样，把成千上万张图片按类别整理好；构建流程01数据准备收集与任务相关的数据集，对数据进行预处理02训练模型会不断接收训练数据，计算预测结果与真实标签的差距，然后通过反向传播算法调整参数03搭建模型结构根据任务选择合适的卷积层、池化层和全连接层。04模型部署模型要从“实验室”走向“战场”05编译选择优化器、选择损失函数、确定评估指标/03任务实施CNN模型构建流程构建CNN模型1defbuild_cnn_model(input_shape,num_classes):2model=models.Sequential()3#第一层：卷积层+最大池化层4model.add(layers.Conv2D(32,(3,3),activation='relu',input_shape=input_shape))5model.add(layers.MaxPooling2D((2,2)))6#第二层：卷积层+最大池化层7model.add(layers.Conv2D(64,(3,3),activation='relu'))8model.add(layers.MaxPooling2D((2,2)))9#第三层：卷积层+最大池化层10model.add(layers.Conv2D(128,(3,3),activation='relu'))11model.add(layers.MaxPooling2D((2,2)))12#展平层13model.add(layers.Flatten())14#全连接层15model.add(layers.Dense(128,activation='relu'))16model.add(layers.Dropout(0.5))17#输出层18model.add(layers.Dense(num_classes,activation='softmax'))19returnmodel20input_shape=X_train.shape[1:]21num_classes=y_train.shape[1]22model=build_cnn_model(input_shape,num_classes)模型编译及训练pile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])history=model.fit(X_train,y_train,epochs=40,batch_size=32,validation_split=0.2)编译训练模型验证1test_image=X_test[0]2true_label=np.argmax(y_test[0])3predictions=model.predict(np.expand_dims(test_image,axis=0))4predicted_class=np.argmax(predictions,axis=1)[0]5confidence=np.max(predictions)6print(f"真实标签：{true_label},预测标签：{predicted_class},置信度：{confidence}")/04任务评价任务评价1.是否成功构建了构建CNN模型？2.是否完成了CNN模型编译及训练？3.是否完成了模型验证，并得出了合理的预测结果？THANKS课程结束，谢谢观看深度神经网络项目实战-人脸识别模型评估与可视化CONTENTSOrderNow01任务描述02知识储备03任务实施04任务评价/01任务描述任务描述任务：人脸识别本次任务的重点是对训练好的卷积神经网络（CNN）模型进行评估，以及训练过程可视化展示，分析模型性能，并根据保存最终模型，应用于实际场景。/02知识储备准确率010203计算方式模型预测正确的样本数除以总样本数。适用场景类别分布均衡的数据集。注意事项在类别不平衡的数据集里，得到的结果无意义；准确率无法区分不同类型的错误。损失值损失值是通过损失函数计算得到的标量值，表示模型预测值与真实值之间的误差。数值越小，模型的预测越接近真实情况损失函数分类任务常用交叉熵损失，就像衡量两个概率分布的差异。目标检测任务结合多种损失，既要判断物体类别，又要定位位置。回归任务回归任务用均方误差，类似于计算预测值与真实值的距离平方；损失值损失持续下降01START