keras使用LeNet做人脸识别代码_Lenet5网络人脸识别资源-CSDN文库

共28个文件

png：10个

jpg：9个

py：4个

keras

LeNet

人脸识别

5星 · 超过95%的资源需积分: 50 151 浏览量 2017-06-06 14:45:06 上传评论 4 收藏 437KB ZIP 举报

**Keras 使用 LeNet 做人脸识别代码** LeNet 是 Yann LeCun 在 1998 年提出的经典卷积神经网络（CNN）架构，主要用于手写数字识别。在本文中，我们将探讨如何使用 Keras 框架来实现 LeNet 模型，并应用于人脸识别任务。 Keras 是一个高级神经网络 API，它建立在 TensorFlow、Theano 和 CNTK 之上，提供了一种简单的方式来构建和训练深度学习模型。在 Keras 中，我们可以通过定义层（layers）、编译模型（compile）、准备数据（data preprocessing）和训练模型（fit）等步骤来实现 LeNet。 1. **LeNet 架构** LeNet 通常包含以下组件： - **卷积层（Convolutional Layers）**：用于提取图像特征。 - **池化层（Pooling Layers）**：如最大池化，用于降低空间维度，减少计算量。 - **全连接层（Fully Connected Layers）**：用于分类任务，将特征映射到不同的类别。 - **激活函数（Activation Functions）**：如 ReLU，引入非线性。 - **Softmax 层**：用于输出概率分布，用于多分类任务。 2. **数据预处理** 人脸识别任务通常涉及 RGB 图像，因此数据预处理包括图像缩放、归一化和数据增强等步骤。例如，可以使用 `ImageDataGenerator` 类进行随机旋转、翻转等增强操作，以提高模型泛化能力。 3. **模型构建** 在 Keras 中，我们可以用 `Sequential` 模型来搭建 LeNet。添加卷积层，然后是池化层，接着是全连接层，最后是 Softmax 层。每个层的参数（滤波器数量、大小、步长等）需要根据实际任务和数据调整。 4. **模型编译** 编译模型时，需要指定损失函数（如 categorical_crossentropy 对于多分类问题）、优化器（如 Adam 或 SGD）以及评估指标（如 accuracy）。 5. **训练模型** 使用 `fit` 函数进行模型训练，传入训练数据和标签，设置批次大小、 epochs（训练轮数）等参数。 6. **验证与测试** 提供的代码文件 `prhomework2-LeNet-validation.py` 和 `prhomework2-withoutval.py` 可能是训练过程中的验证集和无验证集版本。验证集用于在训练过程中监控模型性能，防止过拟合。`prhomework2-test.py` 可能用于最终的模型测试。 7. **可视化** `plotfigure.py` 文件可能包含了绘制训练过程中的损失和准确率曲线的功能，帮助理解模型学习动态。 8. **结果分析** `wrongPic_PIE.zip` 文件可能包含模型错误识别的人脸图片，通过分析这些错误可以帮助改进模型。同时，"各种图和数据结果"可能提供了模型的性能指标，如混淆矩阵、精确度、召回率等。总结，本项目展示了如何使用 Keras 的简洁 API 来实现经典的 LeNet 模型，并将其应用于人脸识别任务。通过数据预处理、模型构建、训练和验证，我们可以观察到模型的学习情况，并根据结果进行模型优化。

资源推荐

资源详情

资源评论

收起资源包目录

prhomework.zip （28个子文件）

plotfigure.py 4KB

prhomework2-LeNet-validation.py 7KB

prhomework2-test.py 6KB

各种图和数据结果

无验证集-loss.png 24KB

kernal-number.png 30KB

预测标签.csv 10KB

验证集-loss.png 34KB

pr_results.txt 4KB

wrongPic_PIE

2.jpg 922B

1.jpg 832B

6.jpg 771B

3.jpg 1010B

5.jpg 1023B

4.jpg 1KB

7.jpg 812B

0.jpg 834B

softmax输出.csv 779KB

模型结构图.png 22KB

wrongPic_ORL

0.jpg 1KB

f1.png 18KB

原始测试集标签.csv 10KB

batch-acc.png 28KB

lr-acc.png 18KB

kernal-size.png 34KB

r.png 17KB

p.png 18KB

prhomework2-withoutval.py 7KB

wrongPic_PIE.zip 8KB

precision recall f1-score support 1 1.00 1.00 1.00 19 2 1.00 1.00 1.00 19 3 1.00 1.00 1.00 19 4 1.00 1.00 1.00 19 5 1.00 1.00 1.00 19 6 1.00 1.00 1.00 19 7 1.00 1.00 1.00 19 8 1.00 1.00 1.00 19 9 0.95 1.00 0.97 19 10 1.00 0.95 0.97 19 11 1.00 1.00 1.00 19 12 1.00 1.00 1.00 19 13 1.00 1.00 1.00 19 14 1.00 1.00 1.00 19 15 1.00 0.95 0.97 19 16 1.00 1.00 1.00 19 17 1.00 1.00 1.00 19 18 1.00 1.00 1.00 19 19 1.00 1.00 1.00 19 20 1.00 1.00 1.00 19 21 1.00 1.00 1.00 19 22 1.00 1.00 1.00 19 23 1.00 1.00 1.00 19 24 1.00 1.00 1.00 19 25 0.95 1.00 0.97 19 26 1.00 1.00 1.00 19 27 1.00 1.00 1.00 19 28 0.95 1.00 0.97 19 29 1.00 1.00 1.00 19 30 0.95 1.00 0.97 19 31 1.00 1.00 1.00 19 32 1.00 0.89 0.94 19 33 1.00 1.00 1.00 19 34 0.95 1.00 0.97 19 35 1.00 1.00 1.00 19 36 1.00 1.00 1.00 19 37 1.00 1.00 1.00 19 38 1.00 1.00 1.00 19 39 1.00 1.00 1.00 19 40 1.00 1.00 1.00 19 41 1.00 1.00 1.00 19 42 1.00 1.00 1.00 19 43 0.95 1.00 0.97 19 44 1.00 1.00 1.00 19 45 1.00 1.00 1.00 19 46 1.00 1.00 1.00 19 47 0.95 1.00 0.97 19 48 1.00 1.00 1.00 19 49 1.00 1.00 1.00 19 50 1.00 1.00 1.00 19 51 1.00 1.00 1.00 19 52 1.00 1.00 1.00 19 53 0.95 1.00 0.97 19 54 1.00 1.00 1.00 19 55 1.00 1.00 1.00 19 56 1.00 1.00 1.00 19 57 1.00 1.00 1.00 19 58 1.00 0.95 0.97 19 59 1.00 1.00 1.00 19 60 1.00 1.00 1.00 19 61 1.00 1.00 1.00 19 62 1.00 1.00 1.00 19 63 1.00 0.95 0.97 19 64 1.00 0.95 0.97 19 65 1.00 1.00 1.00 19 66 1.00 1.00 1.00 19 67 1.00 1.00 1.00 19 68 1.00 0.95 0.97 19 avg / total 0.99 0.99 0.99 1292 best record ('accuracy:', 0.99380804953560375)

评论收藏

内容反馈