《机器学习项目开发实战》-课件 16. 项目五 - 任务四

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：{pr