因?yàn)轫?xiàng)目上的需要蚊逢，我需要去訓(xùn)練一個(gè)人臉識(shí)別的系統(tǒng)，但是機(jī)器視覺(jué)方向并不是我特別喜歡的方向箫章，所以我特別急功求成烙荷，想盡快搭建一個(gè)人臉識(shí)別系統(tǒng)，其實(shí)在git上已經(jīng)有很多相關(guān)論文還有已經(jīng)訓(xùn)練好的模型檬寂，大家如果想去了解這方面的知識(shí)终抽，這篇文章并不適合您看。當(dāng)然桶至，時(shí)間是必須去付出的昼伴，大家如果喜歡這方面的方向，就好好斟酌一下镣屹，神經(jīng)網(wǎng)絡(luò)現(xiàn)在應(yīng)用的很廣圃郊，推薦Tensorflow框架，實(shí)在是太簡(jiǎn)單方便搭建了女蜈。當(dāng)然不要光只學(xué)框架持舆，具體的原理一定要搞清楚，推薦Coursera-Andrew ng-MachineLearing課程鞭光，沒(méi)看過(guò)就相當(dāng)于沒(méi)學(xué)過(guò)吏廉，這是經(jīng)典，而且入門簡(jiǎn)單惰许，好好學(xué)席覆，好好吸收，原理就這樣汹买。好吧佩伤，接下來(lái)我就將這10天的工作總結(jié)在此吧。

【2019/3/11】鑒于文章關(guān)注好像挺多了晦毙，過(guò)2天我會(huì)嘗試將代碼放到github上生巡，我不知道是否能上傳這么大量的圖片。

一见妒，材料準(zhǔn)備

Anaconda3-4.2.0
這是一個(gè)python3.5.2的集成環(huán)境孤荣，特別好用和方便，方便管理需要用的包。

二盐股，學(xué)習(xí)教程

Python3
這個(gè)學(xué)習(xí)教程無(wú)所謂的钱豁，你可以看書，也可以找網(wǎng)站來(lái)自學(xué)疯汁，當(dāng)然必須先有python3的基礎(chǔ)知識(shí)了牲尺。

Tensorflow
這個(gè)我推薦莫煩大牛的基礎(chǔ)Tensorflow視頻教程，不過(guò)這個(gè)課程說(shuō)實(shí)在的是過(guò)于簡(jiǎn)單幌蚊，就是快速的讓人了解整個(gè)過(guò)程谤碳，其實(shí)面對(duì)的還是一些有基礎(chǔ)的人，所以一定要看Coursera-Andrew ng-MachineLearing這課程溢豆，經(jīng)典蜒简！經(jīng)典！經(jīng)典漩仙！重要的東西說(shuō)3遍臭蚁。當(dāng)然學(xué)習(xí)框架的東西最好還是去tensoflow官方(好難打開(kāi))去細(xì)酌，當(dāng)然tensorFlow中文社區(qū)也行讯赏，看自己喜歡，八仙過(guò)海冷尉，各顯神通漱挎。

opencv3
這個(gè)就沒(méi)什么好說(shuō)的了，直接看官方的教程雀哨，一點(diǎn)點(diǎn)敲磕谅，一點(diǎn)點(diǎn)嘗試，這是3.0的教程雾棺，2.0在某些方面上不一樣膊夹，我覺(jué)得可以直接入3.0。當(dāng)然個(gè)人也極度推薦看毛星云大牛博客捌浩，當(dāng)然自己先需要懂c++放刨，然后去搞懂每個(gè)原理就好，更多東西尸饺，還是回歸官網(wǎng)进统，官網(wǎng)說(shuō)的為準(zhǔn)。

三浪听，環(huán)境布置

1.安裝anaconda3

我剛剛給的鏈接是個(gè)exe文件螟碎，所以這我就不用說(shuō)了吧，就是傻瓜式的下一步迹栓，選擇安裝就好掉分。

注意：這里可能有人糾結(jié)選擇什么，我選擇的是這個(gè)。

安裝完成后酥郭，一般所有軟件都會(huì)在這里华坦。

2.安裝opencv3

打開(kāi)開(kāi)始找到Anaconda Prompt，并以管理員身份運(yùn)行褥民，其實(shí)就是個(gè)普通終端罷了季春。

輸入以下命令,然后按下y即可。

conda install -c https://conda.anaconda.org/menpo opencv3

安裝完成后我們可以用以下命令試試是否正常使用消返，沒(méi)反應(yīng)就是最好的反應(yīng)了啊载弄，能正常使用。

python

import cv2

3.安裝tensorflow

同樣地撵颊，打開(kāi)開(kāi)始找到Anaconda Prompt宇攻，并以管理員身份運(yùn)行，輸入以下命令倡勇，這時(shí)候使用的Tensorflow1.3.0

#Anaconda安裝完成后逞刷，打開(kāi)Anaconda Prompt，輸入如下命令妻熊，創(chuàng)建Tensorflow虛擬環(huán)境夸浅。

    conda create -n tensorflow python=3.5

#進(jìn)入Tensorflow虛擬環(huán)境

    activate tensorflow

退出Tensorflow虛擬環(huán)境

    deactivate tensorflow

安裝Tensorflow

    pip install tensorflow

親測(cè)可用，完成了之后扔役，同樣可以輸入以下命令來(lái)進(jìn)行測(cè)試帆喇。

python

import tensorflow

用anaconda3就是這么方便，很多東西都集成好在一個(gè)地方亿胸，如果想卸載坯钦，其實(shí)很簡(jiǎn)單，直接把a(bǔ)naconda3卸載了侈玄，什么都脫離了你的環(huán)境了婉刀。就是這么好用。

四序仙，源代碼

ps:下面步驟如果沒(méi)提示到的文件和數(shù)據(jù)包突颊，不需要管，我會(huì)在每一個(gè)文件對(duì)應(yīng)需要下載和安裝什么東西诱桂，一步一步進(jìn)行講述

spyder工具

我們使用的編輯工具叫spyder洋丐，anaconda3自帶工具，在開(kāi)始輸入spyder即可找到挥等。

main.py

首先去opencv官網(wǎng)友绝，下載一個(gè)opencv包，將下面的兩個(gè)文件放入xml文件夾肝劲。

然后可以運(yùn)行以下代碼迁客，當(dāng)然要注意我們的----------------------------ps:位置郭宝，等等我們將到對(duì)應(yīng)位置之后，遍可打開(kāi)掷漱，將得到你渴望的效果粘室。慢慢來(lái)，心急吃不到熱豆腐卜范，先試試人臉識(shí)別怎么樣衔统，這是opencv的demo改寫的，就是利用haar_like分類器進(jìn)行分類海雪，有2部判斷锦爵，先判斷是否是人臉，是人臉的話奥裸，判斷人臉有沒(méi)眼睛险掀，如果有這個(gè)就是人臉。當(dāng)然相關(guān)論文知識(shí)我的這篇文章不會(huì)詳細(xì)介紹湾宙，大家可以上網(wǎng)去找樟氢，我只想用最簡(jiǎn)單的方式給大家?guī)?lái)效果

代碼

# -*- coding: utf-8 -*-
"""
Created on Tue Oct 17 10:14:19 2017

@author: Gavinjou
"""

import cv2
import numpy as np
import datetime
#----------------------------ps:講到年齡，性別的時(shí)候可以打開(kāi)
#import age_sex as myahesex
#調(diào)用自己的表情文檔
#----------------------------ps:講到表情識(shí)別的時(shí)候可以打開(kāi)
#import model as mymodel
#調(diào)用自己的headpose文檔
#----------------------------ps:講到頭部姿態(tài)的時(shí)候可以打開(kāi)
#import headpose as myheadpose

#haar人臉識(shí)別分類器數(shù)據(jù)位置
face_cascade_name = "xml/haarcascade_frontalface_alt2.xml"
#眼睛識(shí)別,提高準(zhǔn)確率
eyes_cascade_name = "xml/haarcascade_eye.xml"
#窗口命名
window_name = "Face detection"
#定義人臉識(shí)別分類器
face_cascade = cv2.CascadeClassifier(face_cascade_name)
if face_cascade.empty() :
   raise IOError('Unable to load the face cascade classifier xml file')
#定義眼睛檢測(cè)分類器
eyes_cascade = cv2.CascadeClassifier(eyes_cascade_name)
if eyes_cascade.empty() :
   raise IOError('Unable to load the eye cascade classifier xml file')
   
#年齡
age_list=['(0, 2)','(4, 6)','(8, 12)','(15, 20)','(25, 32)','(38, 43)','(48, 53)','(60, 100)']
#性別
gender_list=['Male','Female']

#得到性別識(shí)別器
#----------------------------ps:講到年齡侠鳄，性別的時(shí)候可以打開(kāi)
#age_net=myahesex.get_age_net()
#得到年齡識(shí)別器
#----------------------------ps:講到年齡埠啃，性別的時(shí)候可以打開(kāi)
#gender_net = myahesex.get_gender_net()


#人臉識(shí)別畫框
def detectAndDisplay(frame,scale):
    #算法開(kāi)始時(shí)間
    startTime = datetime.datetime.now()
    #將原圖轉(zhuǎn)化為灰度圖片
    frame_gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
    #灰度直方圖均衡化
    frame_gray = cv2.equalizeHist(frame_gray)
    
    #改變圖像大小,使用雙線性差值
    rows, cols = frame_gray.shape
    
    #縮小灰度圖片加速計(jì)算
    smallImage = cv2.resize(frame_gray,(int(round(cols/scale)),round(int(rows/scale))),interpolation=cv2.INTER_CUBIC)
   
    #人臉偵測(cè)
    faces = face_cascade.detectMultiScale(smallImage,1.1,2,cv2.CASCADE_SCALE_IMAGE,(30, 30))
    
    
    index=int(1)
    
    for faceRect in faces:
        x,y,w,h = faceRect
        #左上角
        LUpoint = (int(round(x * scale)),int(round(y * scale)))
        #右上角
        RDpoint = (int(round((x+w-1) * scale)),int(round((y+h-1) * scale)))
        
        #人臉映像
        faceROI = frame_gray[int(round(y * scale)):int(round((y+h-1) * scale)), int(round(x * scale)):int(round((x+w-1) * scale))]
        #三維人臉映像
        faceROI2 = frame[int(round(y * scale)):int(round((y+h-1) * scale)), int(round(x * scale)):int(round((x+w-1) * scale))]
        #眼睛識(shí)別
        eyes = eyes_cascade.detectMultiScale(faceROI,1.1,2,cv2.CASCADE_SCALE_IMAGE,(30, 30))
        
        if len(eyes) !=2 :
            continue
        
        #得到角度參數(shù)
        #----------------------------ps:講到頭部姿態(tài)的時(shí)候可以打開(kāi)
        #pitch,yaw,roll= myheadpose.predict_head_pose(faceROI2)
        #print(pitch,yaw,roll)
        #得到性別
        #----------------------------ps:講到年齡，性別的時(shí)候可以打開(kāi)
        #gender_prediction = gender_net.predict([faceROI2])
        #print(gender_list[gender_prediction[0].argmax()])
        #得到年齡
        #----------------------------ps:講到年齡伟恶，性別的時(shí)候可以打開(kāi)
        #age_prediction = age_net.predict([faceROI2])
        #print(age_list[age_prediction[0].argmax()])
        

        #得到所有表情參數(shù)
        #----------------------------ps:講到表情識(shí)別的時(shí)候可以打開(kāi)
        #facemodel=mymodel.predict_emotion(faceROI)
        #得到最大值位置
        #----------------------------ps:講到表情識(shí)別的時(shí)候可以打開(kāi)
        #_positon = np.argmax(facemodel)
        
        
       
        #畫正方形
        cv2.rectangle(frame,LUpoint,RDpoint,(0, 0, 255),2,8)
        #標(biāo)記
        cv2.putText(frame,str(index),LUpoint,cv2.FONT_HERSHEY_SIMPLEX,2.0,(0, 0, 255))
        #----------------------------ps:講到表情識(shí)別的時(shí)候可以打開(kāi)
        #cv2.putText(frame,mymodel.emotion_labels[_positon],LUpoint,cv2.FONT_HERSHEY_SIMPLEX,1.0,(0, 0, 255))
        index+=1
        
        
    
    cv2.imshow(window_name,frame)
    #算法結(jié)束時(shí)間
    endTime = datetime.datetime.now()
    print (endTime - startTime)
#---detectAndDisplay
    

#main

#初始化窗口
cv2.namedWindow(window_name,cv2.WINDOW_NORMAL)   
capture = cv2.VideoCapture(0)

while(capture.isOpened()):
    ret, frame = capture.read()
    
    #判斷是否最后一幀
    if ret:
        detectAndDisplay(frame,2.0)
        
    #按q退出程序
    if cv2.waitKey(30) & 0xFF == ord('q'):
        break

#釋放視頻
capture.release()
cv2.destroyAllWindows()

效果圖

model.py

這是我參考的兩篇文章霸妹，第一篇是參考代碼文章，第二篇是作者的文章知押，第三篇是安裝keras教程，這是訓(xùn)練好的結(jié)果鹃骂，所以可以直接調(diào)用台盯，這時(shí)我測(cè)試部分就不寫了，直接使用參考代碼文章代碼即可測(cè)試畏线。

http://blog.csdn.net/sinat_26917383/article/details/72885715
https://github.com/JostineHo/mememoji
http://blog.csdn.net/shenziheng1/article/details/69664920

這時(shí)需要將作者github上的文件夾下載静盅，并放置剛剛的目錄結(jié)構(gòu)中。利用以下代碼即可測(cè)試

安裝keras
具體請(qǐng)按照這篇文章進(jìn)行操作

http://blog.csdn.net/shenziheng1/article/details/69664920

代碼

# -*- coding: utf-8 -*-
"""
Created on Wed Oct 18 15:36:48 2017

@author: Gavinjou
"""


import cv2
import sys
import json
import time
import numpy as np
from keras.models import model_from_json


root_model="real-time_emotion_analyzer-master"

#動(dòng)作表情
#憤怒寝殴，害怕蒿叠，開(kāi)心，傷心蚣常，驚喜市咽，平靜
emotion_labels = ['angry', 'fear', 'happy', 'sad', 'surprise', 'neutral']

# load json and create model arch
json_file = open(root_model+'/model.json','r')
loaded_model_json = json_file.read()
json_file.close()
print("加載keras模型成功")


model = model_from_json(loaded_model_json)
# load weights into new model
model.load_weights(root_model+'/model.h5')
print("加載權(quán)重成功")

#定義預(yù)測(cè)函數(shù)
def predict_emotion(face_image_gray):
    resized_img = cv2.resize(face_image_gray, (48,48), interpolation = cv2.INTER_AREA)
    # cv2.imwrite(str(index)+'.png', resized_img)
    image = resized_img.reshape(1, 1, 48, 48)
    list_of_list = model.predict(image, batch_size=1, verbose=1)
    angry, fear, happy, sad, surprise, neutral = [prob for lst in list_of_list for prob in lst]
    return [angry, fear, happy, sad, surprise, neutral]

#img_gray = cv2.imread('C:/Users/Gavinjou/Desktop/FaceRecognation/real-time_emotion_analyzer-master/meme_faces/happy-fear.png')
#img_gray = cv2.cvtColor(img_gray, cv2.COLOR_BGR2GRAY)
#angry, fear, happy, sad, surprise, neutral = predict_emotion(img_gray)

效果圖

這時(shí)候還記得我們main.py，有----------------------------ps：標(biāo)記嗎抵蚊，將----------------------------ps:講到表情識(shí)別的時(shí)候可以打開(kāi)下面的語(yǔ)句全部打開(kāi)施绎，然后運(yùn)行main.py

headpose.py

頭部姿態(tài)識(shí)別我是按照這篇文章來(lái)進(jìn)行使用的溯革，這是原版的作者的文章，其實(shí)人家寫的真夠詳細(xì)了谷醉，各種demo都告訴你怎么用了致稀，直接調(diào)用就好，人家模型都是訓(xùn)練好的了俱尼，直接用就好抖单。

https://github.com/mpatacchiola/deepgaze

這時(shí)需要將作者github上的文件夾下載，并放置剛剛的目錄結(jié)構(gòu)中遇八。利用以下代碼即可測(cè)試矛绘，記得把文件夾名字改成我這個(gè)，不過(guò)也無(wú)所謂啦押蚤，就是個(gè)路徑問(wèn)題蔑歌，當(dāng)然自己去修改一下代碼路徑也是沒(méi)問(wèn)題的。測(cè)試代碼我就不講了揽碘，作者的文章上清清楚楚寫了demo次屠，自己寫一遍測(cè)試一下即可。

安裝dlib
打開(kāi)Anaconda Prompt雳刺，輸入如下命令,安裝dlib

conda install -c conda-forge dlib=19.4

注意: 這是我折騰最久的劫灶，我不知道你是否能安裝上，我是參考了幾篇文章都無(wú)法裝上掖桦，然后不知道搜了哪個(gè)位置的文章本昏，使用一條命令就把dlib裝上了。如果不行的話枪汪，我也推薦我之前參考的文章的鏈接去試試涌穆，但我并沒(méi)有成功，總說(shuō)什么Unicode不對(duì)雀久。然后就放棄了宿稀。我用的材料是boost1.57.0，cmake3.8.2赖捌，dlib19.4.0

http://blog.csdn.net/insanity666/article/details/72235275
http://www.reibang.com/p/004c99828af2

代碼

# -*- coding: utf-8 -*-
"""
Created on Wed Oct 18 20:10:15 2017

@author: Gavinjou
"""


import tensorflow as tf
from deepgazemaster.deepgaze.head_pose_estimation import CnnHeadPoseEstimator

#圖像大小設(shè)定
width = 64
height= 64

sess = tf.Session()

my_head_pose_estimator = CnnHeadPoseEstimator(sess)
my_head_pose_estimator.load_pitch_variables("deepgazemaster/etc/tensorflow/head_pose/pitch/cnn_cccdd_30k.tf")
my_head_pose_estimator.load_yaw_variables("deepgazemaster/etc/tensorflow/head_pose/yaw/cnn_cccdd_30k")
my_head_pose_estimator.load_roll_variables("deepgazemaster/etc/tensorflow/head_pose/roll/cnn_cccdd_30k.tf")


#輸入的圖像大小必須要相等(64>=x,64>=x,3),x代表輸入
def predict_head_pose (face_image):
    #resized_img = cv2.resize(face_image, (width,height), interpolation = cv2.INTER_AREA)
    pitch = my_head_pose_estimator.return_pitch(face_image)
    yaw   = my_head_pose_estimator.return_yaw(face_image)
    roll  = my_head_pose_estimator.return_roll(face_image)
    return [pitch,yaw,roll]

效果圖

這時(shí)候還記得我們main.py祝沸，有----------------------------ps：標(biāo)記嗎，將----------------------------ps:講到頭部姿態(tài)的時(shí)候可以打開(kāi)下面的語(yǔ)句全部打開(kāi)越庇，然后運(yùn)行main.py

這時(shí)我多加了一個(gè)語(yǔ)句

輸出便如下圖了

age_sex.py

年齡罩锐，性別識(shí)別部分我是參照我是參考該第一篇作者的文章，利用的是caffe神經(jīng)網(wǎng)絡(luò)框架卤唉，不過(guò)新的caffe好像還是會(huì)出問(wèn)題涩惑，所以我還是會(huì)一步步讓大家運(yùn)行我的整份代碼，第二篇修改caffe的文章桑驱。不用緊張境氢，我們繼續(xù)一步步來(lái)蟀拷。

https://github.com/GilLevi/AgeGenderDeepLearning
http://blog.csdn.net/gzljss/article/details/45849013

這是需要將作者的整份代碼下載下來(lái)，放文件根目錄下

這時(shí)候還沒(méi)完成呢萍聊，還需要作者已經(jīng)訓(xùn)練好的模型放到這個(gè)master文件中问芬。這個(gè)文章還是原作者模型的參考文章，有時(shí)間還是好好看看寿桨。

http://www.openu.ac.il/home/hassner/projects/cnn_agegender/

我下載的是作者最原始的訓(xùn)練好的模型此衅，下完完成之后解壓，創(chuàng)建一個(gè)文件名為cnn_age_gender_models的文件亭螟，把解壓縮文件全部放進(jìn)去挡鞍。

安裝caffe
網(wǎng)上很少有anaconda3+python3.5的caffe安裝，就算有预烙，也是特別麻煩墨微，還有各種編譯的煩事，還不一定成功扁掸，得謝謝第二篇文章上知乎上朋友的回答翘县，2個(gè)回答的朋友已經(jīng)告訴你怎么把caffe放到anaconda3中調(diào)用了，當(dāng)然如果你不想編譯谴分，真得謝天謝地锈麸。第一篇文章已經(jīng)提供了python35的預(yù)編譯版本，開(kāi)心吧牺蹄。接下來(lái)我再來(lái)一步一步的說(shuō)該怎么裝

https://github.com/BVLC/caffe/tree/windows
https://www.zhihu.com/question/34119328

首先打開(kāi)第一篇文章忘伞，下載caffe到我們程序根目錄當(dāng)中

因?yàn)榇a中并不需要添加到anaconda3環(huán)境當(dāng)中所以我就不需要演示怎么放進(jìn)環(huán)境中了，其實(shí)代碼已經(jīng)聲明路徑添加上去罷了沙兰。

修改caffe

參考文章

http://blog.csdn.net/gzljss/article/details/45849013

打開(kāi)caffe/python/caffe/io.py 第258行氓奈，修改成以下代碼

 if ms != self.inputs[in_][1:]:
    in_shape = self.inputs[in_][1:]
    m_min, m_max = mean.min(), mean.max()
    normal_mean = (mean - m_min) / (m_max - m_min)
    mean = resize_image(normal_mean.transpose((1,2,0)),in_shape[1:]).transpose((2,0,1)) * (m_max - m_min) + m_min
    #raise ValueError('Mean shape incompatible with input shape.')

打開(kāi)caffe/python/caffe/classifier.py 第96行，修改成以下代碼

代碼

import os
import numpy as np
import matplotlib.pyplot as plt

caffe_root = './caffe/' 
import sys
sys.path.insert(0, caffe_root + 'python')
import caffe

plt.rcParams['figure.figsize'] = (10, 10)
plt.rcParams['image.interpolation'] = 'nearest'
plt.rcParams['image.cmap'] = 'gray'

mean_filename='./AgeGenderDeepLearning-master/cnn_age_gender_models/mean.binaryproto'
proto_data = open(mean_filename, "rb").read()
a = caffe.io.caffe_pb2.BlobProto.FromString(proto_data)
mean  = caffe.io.blobproto_to_array(a)[0]
"""
age_net_pretrained='./AgeGenderDeepLearning-master/cnn_age_gender_models/age_net.caffemodel'
age_net_model_file='./AgeGenderDeepLearning-master/cnn_age_gender_models/deploy_age.prototxt'
age_net = caffe.Classifier(age_net_model_file, age_net_pretrained,
                       mean=mean,
                       channel_swap=(2,1,0),
                       raw_scale=255,
                       image_dims=(256, 256))



gender_net_pretrained='./AgeGenderDeepLearning-master/cnn_age_gender_models/gender_net.caffemodel'
gender_net_model_file='./AgeGenderDeepLearning-master/cnn_age_gender_models/deploy_gender.prototxt'
gender_net = caffe.Classifier(gender_net_model_file, gender_net_pretrained,
                       mean=mean,
                       channel_swap=(2,1,0),
                       raw_scale=255,
                       image_dims=(256, 256))
"""

def get_age_net():
    age_net_pretrained='./AgeGenderDeepLearning-master/cnn_age_gender_models/age_net.caffemodel'
    age_net_model_file='./AgeGenderDeepLearning-master/cnn_age_gender_models/deploy_age.prototxt'
    age_net = caffe.Classifier(age_net_model_file, age_net_pretrained,
                       mean=mean,
                       channel_swap=(2,1,0),
                       raw_scale=255,
                       image_dims=(256, 256))
    return age_net

def get_gender_net():
    gender_net_pretrained='./AgeGenderDeepLearning-master/cnn_age_gender_models/gender_net.caffemodel'
    gender_net_model_file='./AgeGenderDeepLearning-master/cnn_age_gender_models/deploy_gender.prototxt'
    gender_net = caffe.Classifier(gender_net_model_file, gender_net_pretrained,
                       mean=mean,
                       channel_swap=(2,1,0),
                       raw_scale=255,
                       image_dims=(256, 256))
    return gender_net

"""
gender_net = get_gender_net()
    
age_list=['(0, 2)','(4, 6)','(8, 12)','(15, 20)','(25, 32)','(38, 43)','(48, 53)','(60, 100)']
gender_list=['Male','Female']


example_image = './AgeGenderDeepLearning-master/cnn_age_gender_models/example_image.jpg'
input_image = caffe.io.load_image(example_image)
print(input_image.shape)
_ = plt.imshow(input_image)


prediction = gender_net.predict([input_image]) 

print ('predicted gender:', gender_list[prediction[0].argmax()])
"""

效果圖

這時(shí)候還記得我們main.py鼎天，有----------------------------ps：標(biāo)記嗎探颈，將#----------------------------ps:講到年齡，性別的時(shí)候可以打開(kāi)下面的語(yǔ)句全部打開(kāi)训措，然后運(yùn)行main.py

可以看到性別是Female,年齡在（38-43）區(qū)間。光羞。 我曹绩鸣，我是女的，還那么老纱兑。呀闻。

五，總結(jié)

上面都是很基礎(chǔ)的東西潜慎，只是個(gè)亂調(diào)用捡多，但是很快就做出模型來(lái)蓖康，可以滿足一下小心臟，當(dāng)然垒手，如果要自己去研究這東西蒜焊，這是最好的，我是沒(méi)什么心思搞這個(gè)方向科贬，所以我更想快點(diǎn)能調(diào)用來(lái)使用泳梆。但是這個(gè)程序速度跑起來(lái)有點(diǎn)慢，如果大家有什么好建議的話榜掌，可以留言給我优妙，如果在配置上還出了些什么問(wèn)題，也可以留言憎账，我基本每天都上一下簡(jiǎn)書的套硼。

最后還有一份性別，年齡代碼胞皱。我是參考了這篇文章的代碼邪意，可是訓(xùn)練出來(lái)的模型很有問(wèn)題，梯度一直沒(méi)下降朴恳，而且調(diào)用的時(shí)候也各種出狀況抄罕，我跑了2天的數(shù)據(jù)，一點(diǎn)卵用也沒(méi)于颖，待我好好看看TensorFlow呆贿，我再整理一下，先保留著森渐。

http://blog.topspeedsnail.com/archives/10767

import os
import glob
import tensorflow as tf
from tensorflow.contrib.layers import *
from tensorflow.contrib.slim.python.slim.nets.inception_v3 import inception_v3_base
import numpy as np
from random import shuffle
import datetime

#年齡區(qū)間
age_table=['(0, 2)','(4, 6)','(8, 12)','(15, 20)','(25, 32)','(38, 43)','(48, 53)','(60, 100)']
#性別
sex_table=['f','m']  # f:女; m:男

# AGE==True 訓(xùn)練年齡模型做入，F(xiàn)alse,訓(xùn)練性別模型
AGE = False

if AGE == True:
     #獲取長(zhǎng)度
     lables_size = len(age_table) # 年齡
else:
     #獲取長(zhǎng)度
     lables_size = len(sex_table) # 性別

face_set_fold = 'AdienceBenchmarkOfUnfilteredFacesForGenderAndAgeClassification'
#拼接路徑
fold_0_data = os.path.join(face_set_fold, 'fold_0_data.txt')
fold_1_data = os.path.join(face_set_fold, 'fold_1_data.txt')
fold_2_data = os.path.join(face_set_fold, 'fold_2_data.txt')
fold_3_data = os.path.join(face_set_fold, 'fold_3_data.txt')
fold_4_data = os.path.join(face_set_fold, 'fold_4_data.txt')

face_image_set = os.path.join(face_set_fold, 'aligned')
#拼接路徑
def parse_data(fold_x_data):
     #數(shù)據(jù)集存儲(chǔ)
     data_set = []
     
     with open(fold_x_data, 'r') as f:
          #用于標(biāo)記第一行，第一行數(shù)據(jù)全部是名稱同衣，全部不讀
          line_one = True
          for line in f:
              tmp = []
              #如果是第一行竟块，繼續(xù)
              if line_one == True:
                  line_one = False
                  continue
              #獲取所在文件編號(hào)
              tmp.append(line.split('\t')[0])
              #獲取對(duì)應(yīng)圖片名稱
              tmp.append(line.split('\t')[1])
              #獲取年齡區(qū)間
              tmp.append(line.split('\t')[3])
              #獲取性別
              tmp.append(line.split('\t')[4])
               
              #查看對(duì)應(yīng)文件夾是否存在
              file_path = os.path.join(face_image_set, tmp[0])
              #如果存在
              if os.path.exists(file_path):
                    #獲取該文件所有圖片
                    filenames = glob.glob(file_path + "/*.jpg")
                    #查找圖片是否在這批文件中
                    for filename in filenames:
                        if tmp[1] in filename:
                            break
                    #將數(shù)據(jù)掛載到內(nèi)存
                    if AGE == True:
                        if tmp[2] in age_table:
                            data_set.append([filename, age_table.index(tmp[2])])
                    else:
                        if tmp[3] in sex_table:
                            data_set.append([filename, sex_table.index(tmp[3])])
     #返回?cái)?shù)據(jù)集
     return data_set
"""
#------讀取數(shù)據(jù)
startTime = datetime.datetime.now()
#讀取所有文件的數(shù)據(jù)集
data_set_0 = parse_data(fold_0_data)
data_set_1 = parse_data(fold_1_data)
data_set_2 = parse_data(fold_2_data)
data_set_3 = parse_data(fold_3_data)
data_set_4 = parse_data(fold_4_data)

#合并所有數(shù)據(jù)
data_set = data_set_0 + data_set_1 + data_set_2 + data_set_3 + data_set_4
#打亂數(shù)據(jù)
shuffle(data_set)

endTime = datetime.datetime.now()
print ("完成讀取數(shù)據(jù)時(shí)間:"+str(endTime - startTime))
#------讀取數(shù)據(jù)
"""

# 縮放圖像的大小
IMAGE_HEIGHT = 227
IMAGE_WIDTH = 227
# 讀取縮放圖像
#待放入字符串
jpg_data = tf.placeholder(dtype=tf.string)
#待解碼jpg圖片
decode_jpg = tf.image.decode_jpeg(jpg_data, channels=3)
#對(duì)待讀取圖片重置size
resize = tf.image.resize_images(decode_jpg, [IMAGE_HEIGHT, IMAGE_WIDTH])
#優(yōu)化轉(zhuǎn)換
resize = tf.cast(resize, tf.uint8) / 255
#讀取圖片并重置圖片數(shù)據(jù)
def resize_image(file_name):
     #讀取圖片
     with tf.gfile.FastGFile(file_name, 'rb') as f:
         image_data = f.read()
     #加載程序
     with tf.Session() as sess:
         image = sess.run(resize, feed_dict={jpg_data: image_data})
     return image

#批量數(shù)據(jù)處理
pointer = 0
def get_next_batch(data_set, batch_size=128):
     global pointer
     batch_x = []
     batch_y = []
     for i in range(batch_size):
         batch_x.append(resize_image(data_set[pointer][0]))
         batch_y.append(data_set[pointer][1])
         pointer += 1
     return batch_x, batch_y
#分批大小
#batch_size = 128
batch_size = 1
#總個(gè)數(shù)
#num_batch = len(data_set) // batch_size
num_batch = 1
print("總共的batch數(shù)量---"+str(num_batch))
#輸入的數(shù)據(jù)大小
X = tf.placeholder(dtype=tf.float32, shape=[batch_size, IMAGE_HEIGHT, IMAGE_WIDTH, 3])
#輸出數(shù)據(jù)大小
Y = tf.placeholder(dtype=tf.int32, shape=[batch_size])

def conv_net(nlabels, images, pkeep=1.0):
     weights_regularizer = tf.contrib.layers.l2_regularizer(0.0005)
     with tf.variable_scope("conv_net", "conv_net", [images],reuse=True) as scope:
          with tf.contrib.slim.arg_scope([convolution2d, fully_connected], weights_regularizer=weights_regularizer, biases_initializer=tf.constant_initializer(1.), weights_initializer=tf.random_normal_initializer(stddev=0.005), trainable=True):
               with tf.contrib.slim.arg_scope([convolution2d], weights_initializer=tf.random_normal_initializer(stddev=0.01)):
                    conv1 = convolution2d(images, 96, [7,7], [4, 4], padding='VALID', biases_initializer=tf.constant_initializer(0.), scope='conv1')
                    pool1 = max_pool2d(conv1, 3, 2, padding='VALID', scope='pool1')
                    norm1 = tf.nn.local_response_normalization(pool1, 5, alpha=0.0001, beta=0.75, name='norm1')
                    conv2 = convolution2d(norm1, 256, [5, 5], [1, 1], padding='SAME', scope='conv2') 
                    pool2 = max_pool2d(conv2, 3, 2, padding='VALID', scope='pool2')
                    norm2 = tf.nn.local_response_normalization(pool2, 5, alpha=0.0001, beta=0.75, name='norm2')
                    conv3 = convolution2d(norm2, 384, [3, 3], [1, 1], biases_initializer=tf.constant_initializer(0.), padding='SAME', scope='conv3')
                    pool3 = max_pool2d(conv3, 3, 2, padding='VALID', scope='pool3')
                    flat = tf.reshape(pool3, [-1, 384*6*6], name='reshape')
                    full1 = fully_connected(flat, 512, scope='full1')
                    drop1 = tf.nn.dropout(full1, pkeep, name='drop1')
                    full2 = fully_connected(drop1, 512, scope='full2')
                    drop2 = tf.nn.dropout(full2, pkeep, name='drop2')
     with tf.variable_scope('output',reuse=True) as scope:
         weights = tf.Variable(tf.random_normal([512, nlabels], mean=0.0, stddev=0.01), name='weights')
         biases = tf.Variable(tf.constant(0.0, shape=[nlabels], dtype=tf.float32), name='biases')
         output = tf.add(tf.matmul(drop2, weights), biases, name=scope.name)
     return output

"""
def training():
     logits = conv_net(lables_size, X)

     def optimizer(eta, loss_fn):
         global_step = tf.Variable(0, trainable=False)
         optz = lambda lr: tf.train.MomentumOptimizer(lr, 0.9)
         lr_decay_fn = lambda lr,global_step : tf.train.exponential_decay(lr, global_step, 100, 0.97, staircase=True)
         return tf.contrib.layers.optimize_loss(loss_fn, global_step, eta, optz, clip_gradients=4., learning_rate_decay_fn=lr_decay_fn)

     def loss(logits, labels):
         cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits = logits, labels = labels)
         cross_entropy_mean = tf.reduce_mean(cross_entropy)
         regularization_losses = tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES)
         total_loss = cross_entropy_mean + 0.01 * sum(regularization_losses)
         loss_averages = tf.train.ExponentialMovingAverage(0.9)
         loss_averages_op = loss_averages.apply([cross_entropy_mean] + [total_loss])
         with tf.control_dependencies([loss_averages_op]):
                total_loss = tf.identity(total_loss)
         return total_loss
    # loss
     total_loss = loss(logits, Y)
    # optimizer
     train_op = optimizer(0.001, total_loss)

     saver = tf.train.Saver(tf.global_variables())
     with tf.Session() as sess:
          sess.run(tf.global_variables_initializer())
          
          global pointer
          epoch = 0
          while True:
               print("start-----"+str(epoch))
               pointer = 0
               for batch in range(num_batch):
                   startTime = datetime.datetime.now()
                   batch_x, batch_y = get_next_batch(data_set, batch_size)
                   _, loss_value = sess.run([train_op, total_loss], feed_dict={X:batch_x, Y:batch_y})
                   print(epoch, batch, loss_value)
                   endTime = datetime.datetime.now()
                   print ("一次batch時(shí)間訓(xùn)練:"+str(endTime - startTime))
               saver.save(sess, './age.ckpt' if AGE == True else './sex.ckpt')
               epoch += 1
               print("end-----"+str(epoch))
training()

"""
# 檢測(cè)性別和年齡
# 把batch_size改為1
def detect_age_or_sex(image_path):
    logits = conv_net(lables_size, X)
    saver = tf.train.Saver()

    with tf.Session() as sess:
        saver.restore(sess, './age.ckpt' if AGE == True else './sex.ckpt')
        
        softmax_output = tf.nn.softmax(logits)
        res = sess.run(softmax_output, feed_dict={X:[resize_image(image_path)]})
        res = np.argmax(res)

        if AGE == True:
            return age_table[res]
        else:
            return sex_table[res]

print(detect_age_or_sex("1.jpg"))