英特尔oneAPI 黑客松机器学习挑战——基于intel TensorFlow 的微笑识别

---

前言

Intel oneAPI 是一个跨行业、开放、基于标准的统一的编程模型，它为跨 CPU、GPU、FPGA、专用加速器的开发者提供统一的体验。
本次intel 黑客松大赛，需要选手使用Intel oneAPI 的Ai工具包去实现机器学习、计算机视觉或者是自由命题创意作品。
因为本人不是从事AI行业的。所以相关知识比较匮乏，计划通过本次大赛，借助一些开源的资料进行学习。实现自我提升。

本次主要使用了 Intel tensorflow +CNN + GENKI4K实现demo

Intel tensorflow 介绍

Intel TensorFlow是Intel公司开发的基于TensorFlow的深度学习框架，它结合了Intel处理器的优异性能和TensorFlow的强大功能，提供了高效的深度学习计算和优化工具。

Intel TensorFlow具有以下优点：

充分利用Intel处理器的优异性能，提高了深度学习计算的速度和效率。
提供了多种优化工具，如优化器、损失函数、激活函数等，提高了模型的训练速度和准确性。
支持多种数据格式和模型结构，方便用户进行深度学习应用开发。

一、卷积神经网络

CNN（卷积神经网络）是一种常用的深度学习算法，用于处理图像和语音等数据。它的主要优点是能够自动学习特征表示，而不是像传统算法一样需要手工设计特征。我们本次采用CNN实现笑脸监测。

CNN的主要步骤包括：

1. 输入层：将数据输入到网络中。
2. 卷积层：通过卷积操作来提取图像或语音等数据的特征。
3. 池化层：对卷积层的输出进行降采样，减少数据量，提高计算效率。
4. 全连接层：将所有特征图合并成一个大的特征向量。
5. 输出层：根据任务不同，输出不同的结果，如分类或回归等。
   CNN的优点包括：

• 能够自动学习特征表示，提高模型的泛化能力。
• 对于图像和语音等数据，能够有效地处理高维数据。
• 对于具有局部相关的数据，如图像，能够有效地利用局部信息来提高准确性。
• 可以通过叠加多个卷积层和池化层来构建深度的神经网络，提高模型的性能。
  然而，CNN也存在一些缺点，如计算量大，对于大规模数据集训练时间较长，而且需要大量的标注数据来进行训练。

二、笑脸数据集（GENKI4K）训练

1.准备数据集

下载链接:

dataset文件夹里面就是我们需要的数据集。

2.引入库，并划分数据集

设置文件夹路径和文件路径。
通过列表目录获取文件夹中的文件列表，并打印文件路径。
根据指定的文件路径加载数据和标签。
对标签进行预处理，将其转换为独热编码形式。

import numpy as np
import matplotlib.pyplot as plt
import scipy.io
import random
import tensorflow as tf

dir_name = 'GENKI4K/Feature_Data'

files = os.listdir(dir_name)
for f in files:
    print (dir_name + os.sep + f)

file_path = dir_name + os.sep + files[10]

dic_mat = scipy.io.loadmat(file_path)
data_mat = dic_mat['Face_64']
file_path2 = dir_name + os.sep + files[15]

dic_label = scipy.io.loadmat(file_path2)
label_mat = dic_label['Label']
file_path3 = dir_name + os.sep+files[16]

使用随机抽样方法生成训练集的索引。
设置训练参数，包括学习率、批次大小、批次数量和训练轮数。
定义网络参数，包括输入维度、类别数和保留单元的概率。
定义输入占位符用于tf Graph。
定义卷积层函数和最大池化层函数。

label = label_mat.ravel()

label_y = np.zeros((4000, 2))

label_y[:, 0] = label
label_y[:, 1] = 1-label

T_ind=random.sample(range(0, 4000), 4000)

learning_rate = 0.001
batch_size = 40
batch_num=4000/batch_size
train_epoch=100

n_input = 4096 # data input (img shape: 64*64)
n_classes = 2