《AI硬件與Pyhthon編程實(shí)踐》12卷積神經(jīng)網(wǎng)絡(luò)初步與笑臉識(shí)別寫字字帖

卷積神經(jīng)網(wǎng)絡(luò)初步與

笑臉識(shí)別人工智能開源硬件與python編程實(shí)踐情境導(dǎo)入面部表情分析已經(jīng)成為了人工智能等領(lǐng)域的一個(gè)熱點(diǎn)問題。新款的相機(jī)、智能手機(jī)都采用了智能技術(shù)，不僅能夠自動(dòng)檢測(cè)到取景框內(nèi)的人臉，自動(dòng)往人臉對(duì)焦，還能檢測(cè)到笑臉狀態(tài)，輔助拍下高質(zhì)量的人物照片。任務(wù)與目標(biāo)了解卷積神經(jīng)網(wǎng)絡(luò)CNN的基本原理、相關(guān)算法和應(yīng)用方法；了解笑臉檢測(cè)技術(shù)的基本原理、模型結(jié)構(gòu)和應(yīng)用框架；了解運(yùn)用人工智能開源硬件和OpenAIEPython庫(kù)中CNN算法設(shè)計(jì)人臉檢測(cè)笑臉識(shí)別功能的編程方法；針對(duì)生活應(yīng)用場(chǎng)景，進(jìn)一步開展創(chuàng)意設(shè)計(jì)，設(shè)計(jì)具有實(shí)用價(jià)值的笑臉檢測(cè)應(yīng)用系統(tǒng)。知識(shí)拓展：機(jī)器學(xué)習(xí)機(jī)器學(xué)習(xí)專門研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身的性能。機(jī)器學(xué)習(xí)是研究怎樣使用計(jì)算機(jī)模擬或?qū)崿F(xiàn)人類學(xué)習(xí)活動(dòng)的科學(xué)。機(jī)器學(xué)習(xí)的研究?jī)?nèi)容主要包括決策樹、隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)、貝葉斯學(xué)習(xí)等。知識(shí)拓展：深度學(xué)習(xí)深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的新方向和新發(fā)展，主要體現(xiàn)為人工神經(jīng)網(wǎng)絡(luò)的研究和應(yīng)用；本質(zhì)上是訓(xùn)練深層結(jié)構(gòu)模型的方法，也是對(duì)于通過多層來(lái)表示對(duì)數(shù)據(jù)之間的復(fù)雜關(guān)系進(jìn)行建模的算法，目的是實(shí)現(xiàn)人工智能的普及化。深度學(xué)習(xí)網(wǎng)絡(luò)就像人類大腦的學(xué)習(xí)機(jī)制一樣，通過低層特征的組合形成更加抽象的高層特征，學(xué)習(xí)到數(shù)據(jù)的分布式特征，從而可像人腦一樣實(shí)現(xiàn)對(duì)輸入信息的分級(jí)表達(dá)來(lái)表示信息的屬性或類別。知識(shí)拓展：深度學(xué)習(xí)的具體過程挖掘所給樣本數(shù)據(jù)的內(nèi)在規(guī)律與聯(lián)系，提取、分析樣本的特征信息，如圖像、文本和聲音，處理數(shù)據(jù)信息并發(fā)出指令，控制機(jī)器的行為，使機(jī)器具有類似于人類的學(xué)習(xí)、分析、識(shí)別、處理等能力。深度學(xué)習(xí)包括卷積神經(jīng)網(wǎng)絡(luò)、基于多層神經(jīng)元的自編碼神經(jīng)網(wǎng)絡(luò)和深度置信網(wǎng)絡(luò)三類。知識(shí)拓展：神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型，是一種模仿生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能的數(shù)學(xué)模型或計(jì)算模型，用于對(duì)函數(shù)進(jìn)行估計(jì)或近似。它建立M個(gè)隱藏層，按順序建立輸入層跟隱藏層的聯(lián)結(jié)，最后建立隱藏層跟輸出層的聯(lián)結(jié)。為每個(gè)隱藏層的每個(gè)節(jié)點(diǎn)選擇激活函數(shù)。求解每個(gè)聯(lián)結(jié)的權(quán)重和每個(gè)節(jié)點(diǎn)自帶的bias值。知識(shí)拓展：神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)主要由：輸入層，隱藏層，輸出層構(gòu)成。知識(shí)拓展：卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，是深度學(xué)習(xí)的代表算法之一。卷積神經(jīng)網(wǎng)絡(luò)具有表征學(xué)習(xí)能力，能夠按其階層結(jié)構(gòu)對(duì)輸入信息進(jìn)行平移不變分類。卷積神經(jīng)網(wǎng)絡(luò)采用局部感知域和權(quán)值共享的方法，減少了網(wǎng)絡(luò)的參數(shù)的個(gè)數(shù)，降低了網(wǎng)絡(luò)模型的復(fù)雜度，緩解了網(wǎng)絡(luò)模型過擬合的問題。知識(shí)拓展：CNN網(wǎng)絡(luò)模型基本結(jié)構(gòu)典型的卷積神經(jīng)網(wǎng)絡(luò)主要由輸入層、卷積層、池化層、全連接層和輸出層構(gòu)成設(shè)計(jì)與實(shí)踐SmileNet模型結(jié)構(gòu)CNN神經(jīng)網(wǎng)絡(luò)的加載編寫第一個(gè)嵌入式Python程序調(diào)試、驗(yàn)證及完善SmileNet模型結(jié)構(gòu)卷積層。負(fù)責(zé)從圖像中提取特征。通過隨機(jī)失活（dropout）方式在訓(xùn)練階段忽略隨機(jī)節(jié)點(diǎn)來(lái)避免過擬合。就是在前向傳播的時(shí)候，讓某個(gè)神經(jīng)元的激活值以一定的概率p停止工作，使得模型泛化性變強(qiáng)。池化層。負(fù)責(zé)逐步減小模型的空間大小，從而減少參數(shù)的數(shù)量和網(wǎng)絡(luò)中的計(jì)算量，從而也控制過度擬合。全連接層。用來(lái)把前邊提取到的特征綜合起來(lái)，起分類器的作用，將得到的特征表示映射到樣本標(biāo)記空間。CNN神經(jīng)網(wǎng)絡(luò)的加載Python庫(kù)中提供了Net類，進(jìn)行神經(jīng)網(wǎng)絡(luò)模型的加載和計(jì)算處理，包括load、forward和search三種方法。先加載神經(jīng)網(wǎng)絡(luò)模型，構(gòu)造出一個(gè)CNN神經(jīng)網(wǎng)絡(luò)Net類，就可以使用forward和search方法進(jìn)行網(wǎng)絡(luò)搜索。Net類的應(yīng)用方法nn.load(path)方法，用來(lái)將神經(jīng)網(wǎng)絡(luò)從.network二進(jìn)制參數(shù)文件加載到內(nèi)存中，構(gòu)造一個(gè)CNN神經(jīng)網(wǎng)絡(luò)Net類。它將.network二進(jìn)制模型參數(shù)文件加載到內(nèi)存中，包括神經(jīng)網(wǎng)絡(luò)的層、權(quán)值、偏置等參數(shù)，返回一個(gè)Net對(duì)象。net.forward（）方法，用于在圖像roi區(qū)域上運(yùn)行指定的神經(jīng)網(wǎng)絡(luò)，返回經(jīng)過神經(jīng)網(wǎng)絡(luò)分類計(jì)算得出的結(jié)果列表。net.search（）方法，以滑動(dòng)窗口的方式在圖像roi區(qū)域上運(yùn)行網(wǎng)絡(luò)指定的神經(jīng)網(wǎng)絡(luò)，返回得出的結(jié)果列表。加載笑臉檢測(cè)網(wǎng)絡(luò)及啟動(dòng)笑臉檢測(cè)Net類中提供net.forward(image[,roi[,softmax=False[,dry_run=False]]])方法，用于在圖像roi上運(yùn)行指定的神經(jīng)網(wǎng)絡(luò)，返回經(jīng)過神經(jīng)網(wǎng)絡(luò)分類得出的結(jié)果列表。其中，roi是待處理區(qū)域的矩形元組（x，y，w，h），僅運(yùn)算roi中的像素。如果未指定，則它等于圖像矩形。如果softmax為True，則列表中所有的輸出總和為1。否則，列表中的任何輸出都可以在0和1之間。dry_run參數(shù)用于調(diào)試，打印出正在執(zhí)行的網(wǎng)絡(luò)層參數(shù)，實(shí)際并不執(zhí)行它們。笑臉檢測(cè)編程實(shí)現(xiàn)importsensor,time,image,os,nn#加載笑臉檢測(cè)網(wǎng)絡(luò)net=nn.load('/work')#進(jìn)行微笑檢測(cè)

img.draw_rectangle(r)out=net.forward(img,roi=r,softmax=True)img.draw_string(r[0],r[1],':)'if(out[0]>0.8)else':(',color=(255),scale=2)完整的Python實(shí)現(xiàn)過程攝像頭工作初始化加載人臉Haar級(jí)聯(lián)模型，設(shè)定工作級(jí)數(shù)；加載微笑檢測(cè)網(wǎng)絡(luò)模型捕獲圖像幀，檢測(cè)出所有人臉檢測(cè)笑臉疊加顯示了實(shí)時(shí)檢測(cè)出的人臉區(qū)域分析與思考比較人臉檢測(cè)與笑臉檢測(cè)方法的不同，特別是Haar人臉檢測(cè)模型與SimleNet笑臉模型的區(qū)別。從特征參數(shù)、模型結(jié)構(gòu)、運(yùn)算性能、識(shí)別效果等方面進(jìn)行說(shuō)明。SimleNet笑臉模型的建模、訓(xùn)練以及應(yīng)用的方法可以應(yīng)用在其它物體的目標(biāo)