DeepLearning tutorial（5）CNN卷积神经网络应用于人脸识别（详细流程+代码实现）

               

DeepLearning tutorial（5）CNN卷积神经网络应用于人脸识别（详细流程+代码实现）

@author：wepon

@blog：http://blog.csdn.net/u012162613/article/details/43277187

本文代码下载地址：我的github

本文主要讲解将CNN应用于人脸识别的流程，程序基于python+numpy+theano+PIL开发，采用类似LeNet5的CNN模型，应用于olivettifaces人脸数据库，实现人脸识别的功能，模型的误差降到了5%以下。本程序只是个人学习过程的一个toy implement，样本很小，模型随时都会过拟合。

但是，本文意在理清程序开发CNN模型的具体步骤，特别是针对图像识别，从拿到图像数据库，到实现一个针对这个图像数据库的CNN模型，我觉得本文对这些流程的实现具有参考意义。

《本文目录》

一、olivettifaces人脸数据库介绍

二、CNN的基本“构件”（LogisticRegression、HiddenLayer、LeNetConvPoolLayer）

三、组建CNN模型，设置优化算法，应用于Olivetti Faces进行人脸识别

四、训练结果以及参数设置的讨论

五、利用训练好的参数初始化模型

六、一些需要说明的

一、olivettifaces人脸数据库介绍

Olivetti Faces是纽约大学的一个比较小的人脸库，由40个人的400张图片构成，即每个人的人脸图片为10张。每张图片的灰度级为8位，每个像素的灰度大小位于0-255之间，每张图片大小为64×64。如下图，这个图片大小是1190*942，一共有20*20张人脸，故每张人脸大小是（1190/20）*（942/20）即57*47=2679：

本文所用的训练数据就是这张图片，400个样本，40个类别，乍一看样本好像比较小，用CNN效果会好吗？先别下结论，请往下看。

要运行CNN算法，这张图片必须先转化为数组（或者说矩阵），这个用到python的图像库PIL，几行代码就可以搞定，具体的方法我之前刚好写过一篇文章，也是用这张图，考虑到文章冗长，就不复制过来了，链接在此：《利用Python PIL、cPickle读取和保存图像数据库》。

训练机器学习算法，我们一般将原始数据分成训练数据（training_set）、验证数据(validation_set)、测试数据(testing_set)。本程序将training_set、validation_set、testing_set分别设置为320、40、40个样本。它们的label为0～39，对应40个不同的人。这部分的代码如下：

"""加载图像数据的函数,dataset_path即图像olivettifaces的路径加载olivettifaces后，划分为train_data,valid_data,test_data三个数据集函数返回train_data,valid_data,test_data以及对应的label"""def load_data(dataset_path):    img = Image.open(dataset_path)    img_ndarray = numpy.asarray(img, dtype='float64')/256    faces=numpy.empty((400,2679))    for row in range(20):    for column in range(20):  faces[row*20+column]=numpy.ndarray.flatten(img_ndarray [row*57:(row+1)*57,column*47:(column+1)*47])    label=numpy.empty(400)    for i in range(40): label[i*10:i*10+10]=i    label=label.astype(numpy.int)    #分成训练集、验证集、测试集，大小如下    train_data=numpy.empty((320,2679))    train_label=numpy.empty(320)    valid_data=numpy.empty((40,2679))    valid_label=numpy.empty(40)    test_data=numpy.empty((40,2679))    test_label=numpy.empty(