gpu训练cnn人脸识别准确率_用深度学习keras的cnn做图像识别分类，准确率达97%

原标题：用深度学习keras的cnn做图像识别分类，准确率达97%

Keras是一个简约，高度模块化的神经网络库。

可以很容易和快速实现原型(通过总模块化，极简主义，和可扩展性)

同时支持卷积网络(vision)和复发性的网络(序列数据)。以及两者的组合。

无缝地运行在CPU和GPU上。

keras的资源库网址为https://github.com/fchollet/keras

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1140942，一共有2020张人脸，故每张人脸大小是(1140/20)(942/20)即5747=2679：

预处理模块

使用了PIL(Python Imaging Library)模块，是Python平台事实上的图像处理标准库。

预处理流程是：打开文件-》归一化-》将图片转为数据集-》生成label-》使用pickle序列化数据集

numpy.ndarray.flatten函数的功能是将一个矩阵平铺为向量

from PIL import Image

import numpy

import cPickle

img = Image.open('G:dataolivettifaces.gif')

# numpy supports conversion from image to ndarray and normalization by dividing 255

# 1140 * 942 ndarray

img_ndarray = numpy.asarray(img, dtype='float64') / 255

# create numpy array of 400*2679

img_rows, img_cols = 57, 47

face_data = numpy.empty((400, img_rows*img_cols))

# convert 1140*942 ndarray to 400*2679 matrix

for row in range(20):

for col in range(20):

face_data[row*20+col] = numpy.ndarray