用深度学习做球星颜值打分完整案例（一）

已经上传了完整的代码和数据，数据比较少，大家可以帮忙补充。

项目地址（记得给个start）：https://github.com/jimenbian/face_rank

先来说一下项目的背景，这次做的是一个最基础的图像识别案例，通过训练一个模型来给NBA球星的颜值打分，嗯，楼主麦迪、艾弗森球迷。选择NBA的数据是因为，NBA球星都有正装照，比较好收集。我们最终呈现的效果是这样的：先收集球星大脸照，标记出颜值高的和颜值低的，然后使用Tensorflow的CNN网络训练颜值打分模型，最后可以利用模型对任意球星脸是高颜值或者低颜值来评分。

另外还有一种数据收集的方法，悄悄透漏给大家，如果做美女的颜值打分训练，男同学可以打开T盘的唐诗三百首目录，在里面可以方便的截取高清人脸大图。

讲一下工程

实验环境是PYTHON2.7，Tensorflow版本1.4，无其它依赖库。

下面看一下整个工程，

• face_train.py用来训练模型

• face_test.py用来预测

• TrainDataSet存训练数据

 

讲一下数据

打开trainDataSet这个文件夹，里面是分了class1和class2两个目录，class1用来存放颜值比较高的球星图片，如下图：

 

class2存放颜值不那么高的，这样在训练的时候就会做到区分，也构成了一个二分类场景，以下是class2的一张例图：

在构建训练数据的时候有三个注意事项：

1. 图片要尽可能清晰，要尽可能多

2. 大小尺寸最好要相同

3. 最好每个图片只有一张人脸，而且占据篇幅很大
   

 

讲一下模型训练

打开face_train.py文件，可以看到整个的训练代码，可以运行这个文件生成model，下面讲一下其中一些关键函数的含义，请对照代码理解。

 

1.Model目录设置

MODE ='folder' # or 'file', if you choose a plain text file (see above).

DATASET_PATH = 'trainDataSet' # the dataset file or root folder path.

# ImageParameters

N_CLASSES= 2 # CHANGE HERE, total number of classes

IMG_HEIGHT= 64 # CHANGE HERE, the image height to be resized to

IMG_WIDTH= 64 # CHANGE HERE, the image width to be resized to

CHANNELS= 3 # The 3 color channels, change to 1 if grayscale

 

• MODE设置了文件读取方式，这里使用folder模式

• DATASET_PATH指定的是训练数据文件夹

• N_CLASSES分类的种类，这里因为分美和丑，所以是2类

• IMG_HEIGHT、IMG_WIDTH、CHANNELS：表明数据是64*64像素的3元彩色图片

 

2.读数据

调用的是read_images函数，把训练数据进行queue读取，然后把图片二进制转码，并且将图片的尺寸统一。生成X,Y对应的是两个列表，分别对应每个图片的二进制格式和所属的类别是美还是丑。

3.CNN网络

本案例使用的是4层CNN网络结构，对应的是conv_net，具体的CNN说明可以看我之前发的关于CNN的文章：深度学习CNN眼中的图片是什么样的

4.训练

现在已经生成了整个CNN网络，也有了数据流，接下来就是通过后向传播训练整个网络。

• 通过tf.global_variables_initializer()为训练网络生成默认参数

• 然后通过reduce_mean、train.AdamOptimizer这些OP来做模型的参数训练

• train.Coordinator是构建数据流读取线程，一定要加上，不然无法运行

• 利用tf.train.Saver()保存整个模型的参数

 

以上就是模型训练的一些关键的函数，在使用的时候只要clone项目，在根目录下执行：

python face_train.py

即可生成模型文件夹model目录：

ok~模型训练就讲完了，下次讲如何通过这个模型对单个NBA球星的颜值打分，不知道大家看懂了没有，此文先给想完整体验一下深度学习做图片分析的小白用户，用的是最基础的代码。最近跳票有点多，主要是加班太猛了~