《机器学习项目开发实战》-课件 15. 项目五 - 任务三

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