番外篇1.2：用深度学习的方法区分不同的人脸

接着1.1来。
昨天回去之后取得了同学的脸部图像（和昨天取自己的一样），这样就可以通过机器学习在我和同学之间做一个分类。
首先，我们要把我和其他人的照片做一个分类，分别加上label，并且放到一个dataset里。在这之前，由于我们取的人脸大小不一（前面函数中有说到，识别时有参数scale factor），我们要把每张图片变成一个大小，长宽不一的我们要加上黑边使长宽相同，再做resize。具体代码如下：

def resize_image(image, height = IMAGE_SIZE, width = IMAGE_SIZE):
    top, bottom, left, right = (0, 0, 0, 0)
    h, w, _ = image.shape
    longest_edge = max(h, w)    
    if h < longest_edge:
        dh = longest_edge - h
        top = dh // 2
        bottom = dh - top
    elif w < longest_edge:
        dw = longest_edge - w
        left = dw // 2
        right = dw - left
    else:
        pass 
    BLACK = [0, 0, 0]

    constant = cv2.copyMakeBorder(image, top , bottom, left, right, cv2.BORDER_CONSTANT, value = BLACK)
    return cv2.resize(constant, (height, width))

定义了这个函数之后，我们要对每一个图片进行这个操作，首先要依次读到照片所在目录下所有的图片数据：

def read_path(path_name):    
    for dir_item in os.listdir(path_name):
        full_path = os.path.abspath(os.path.join(path_name, dir_item))
        if os.path.isdir(full_path):    #如果是文件夹，继续递归调用
            read_path(full_path)
        else:   #如果是文件
            if dir_item.endswith('.jpg'):
                image = cv2.imread(full_path)                
                image = resize_image(image, IMAGE_SIZE, IMAGE_SIZE)
                images.append(image)                
                labels.append(path_name)                                

    return images,labels

这时候images就存了根目录下所有的图片文件（resize后），而labels保存了图片文件的full_path。
我们再对labels做一个判断，由于我和同学的文件放在不同的文件夹下，那么就应该对labels里面的每个字符串做末尾几位字符的判断：

def load_dataset(path_name):
    images,labels = read_path(path_name)    
    #将输入的所有图片转成四维数组
    images = np.array(images)
    #末尾是me的赋为0，其他都是1
    labels = np.array([0 if label.endswith('me') else 1 for label in labels])    
    return images, labels

然后就完事了，后面用到的时候直接调用py这个文件就ok。
后面就是搭建一个深度学习的框架，由于我也是初学者，所以用了最简单的，卷积+relu+池化+全连接这种基础的结构。
首先，在架构神经网络之前，我们要先分图片为训练集、验证集、测试集。
值得注意的是，keras这个api是支持两个后端的，分别是tensorflow（tf）和theano（th），而我们用的是tf。这两种方式集的维度顺序不同，要注意区分。
我们把这些函数放在一个class里:

class Dataset:
    def __init__(self, path_name):
        #训练集
        self.train_images = None
        self.train_labels = None
        #验证集
        self.valid_images = None
        self.valid_labels = None
        #测试集
        self.test_images  = None            
        self.test_labels  = None
        #数据集加载路径
        self.path_name    = path_name
        #当前库采用的维度顺序
        self.input_shape = None

def load(self, img_rows = IMAGE_SIZE, img_cols = IMAGE_SIZE, 
             img_channels = 3, nb_classes = 2):
        #加载数据集到内存
        images, labels = load_dataset(self.path_name)     
        train_images, valid_images, train_labels, valid_labels = train_test_split(images, labels, test_size = 0.3, random_state = random.randint(0, 100))        
        _, test_images, _, test_labels = train_test_split(images, labels, t