如下是Keras的实现过程：

model = Sequential()  
model.add(BatchNormalization(input_shape=(96, 96, 1)))  
model.add(Convolution2D(24, 5, 5, border_mode=”same”,  
init=’he_normal’, input_shape=(96, 96, 1),  
dim_ordering=”tf”))  
model.add(Activation(“relu”))  
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2),  
border_mode=”valid”))  
model.add(Convolution2D(36, 5, 5)) 
model.add(Activation(“relu”))  
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2),  
border_mode=”valid”))  
model.add(Convolution2D(48, 5, 5))  
model.add(Activation(“relu”))  
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2),  
border_mode=”valid”)) 
model.add(Convolution2D(64, 3, 3))  
model.add(Activation(“relu”))  
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2),  
border_mode=”valid”))  
model.add(Convolution2D(64, 3, 3))  
model.add(Activation(“relu”))  
model.add(GlobalAveragePooling2D());  
model.add(Dense(500, activation=”relu”))  
model.add(Dense(90, activation=”relu”))  
model.add(Dense(30)) 

你可能想选择均方根传播(rmsprop)优化和均方误差(MSE)作为损掉函数和精度指标。只须要在输入图像上应用批处理正常化和全局平均遍历(global average polling)和HE normal weight初始化，你就可以在30个练习周期内获得80%-90%的验证精确率并实现<0.001的误差：

model.compile(optimizer=’rmsprop’, loss=’mse’, metrics=  
[‘accuracy’])  
checkpointer = ModelCheckpoint(filepath=’face_model.h5',  
verbose=1, save_best_only=True)  
epochs = 30  
hist = model.fit(X_train, y_train, validation_split=0.2,  
shuffle=True, epochs=epochs, batch_size=20, callbacks=  
[checkpointer], verbose=1) 

　　推荐阅读

　　服务器中“U”代表什么？1-4U、刀片机哪种更好？

办事器中的 “U” 代表什么意思 ?“U”在办事器范畴中特指机架式办事器厚度，是一种表示>>>详细阅读

本文标题：教你一个简单的深度学习方法检测人脸面部特征

地址：http://www.17bianji.com/lsqh/37128.html

 1/2    1