基于深度學(xué)習(xí)AlexNet模型的口罩識別方法設(shè)計

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

目錄

1引言...........................................................................................................................1

1.1項目背景........................................................................................................1

1.2開發(fā)環(huán)境與工具............................................................................................1

1.2.1Python簡介........................................................................................1

1.2.2AlexNet簡介......................................................................................1

1.2.3TensorFlow簡介................................................................................2

2需求分析...................................................................................................................2

2.1可行性需求分析............................................................................................3

2.1.1技術(shù)可行性.........................................................................................3

2.1.2項目可行性.........................................................................................3

2.2關(guān)鍵技術(shù)分析................................................................................................3

2.2.1輸入層.................................................................................................4

2.2.2卷積層.................................................................................................4

2.2.3池化層.................................................................................................4

2.2.4Dropout層..........................................................................................4

2.2.5全連接層.............................................................................................5

2.2.6Softmax輸出層..................................................................................5

3數(shù)據(jù)集處理...............................................................................................................5

3.1數(shù)據(jù)集收集....................................................................................................5

3.2數(shù)據(jù)集標注....................................................................................................6

3.3數(shù)據(jù)集預(yù)處理................................................................................................6

4模型構(gòu)建及評估分析...............................................................................................7

4.1模型構(gòu)建........................................................................................................7

4.1.1搭建AlexNet模型.............................................................................7

4.1.2加載數(shù)據(jù)集.......................................................................................11

4.1.3訓(xùn)練模型...........................................................................................12

4.2模型評估與優(yōu)化..........................................................................................13

I

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

5模型預(yù)測.................................................................................................................14

6小結(jié).........................................................................................................................15

參考資料.....................................................................................................................16

II

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

基于深度學(xué)習(xí)AlexNet模型的口罩識別方法設(shè)計

1引言

人們普遍關(guān)注識別技術(shù)在人工智能技術(shù)領(lǐng)域中的發(fā)展。人工智能識別技術(shù)

使得許多實際價值得以實現(xiàn)，它是一種利用計算機科技、掃描設(shè)施、攝像機等

裝置，模擬人類視覺功能來識別物體的技術(shù)，它可以分為無生命物體識別技術(shù)

和有生命物體識別技術(shù)。人工智能識別技術(shù)不僅改善了人們的生活質(zhì)量，而且

也促進了經(jīng)濟的發(fā)展。

1.1項目背景

新冠病毒的突然爆發(fā)，極大地擾亂了人類的正常生產(chǎn)生活。和一般的流行

性感冒不一樣，它能夠經(jīng)由人的口水傳染，并有可能傳染給別人。最近，面對

疫情，從市場上被撕下來的口罩正在減少。因為，在這種情況下，外出時帶上

口罩尤其重要。它能從源頭上對外界的人類唾液和空氣進行隔離。能夠有效地

防止自身及他人感染病毒，成為首要的防護措施。很多時候，有些人不響應(yīng)國

家和黨的號召，對病毒不重視，離開時也不愛戴口罩，這就給了病毒可乘之機，

給自己和別人的生命安全帶來了很大的危險。

尤其重要和緊迫的是，要有一個系統(tǒng)，通過收集和識別數(shù)字圖像并發(fā)出適

當(dāng)?shù)木婧途瘓?，來識別一個人是否戴著口罩。隨著計算機視覺技術(shù)的逐年進

步，基于圖像的口罩識別迅速引起了人們的關(guān)注。

1.2開發(fā)環(huán)境與工具

1.2.1Python簡介

Python語言的誕生是在1989年由荷蘭大神GuidovanRossum（龜叔）獨立

開發(fā)完成的。

Python語言的特點：易于學(xué)習(xí)、清晰優(yōu)雅、快速開發(fā)、跨平臺、可移植、

可擴展、交互式、解釋性、動態(tài)面向?qū)ο笳Z言?！皟?nèi)置電池”，許多標準和第

三方庫?；钴S的社區(qū)、許多貢獻者互助。開源語言、強大的開發(fā)動態(tài)等。

1.2.2AlexNet簡介

1

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

AlexNet是一種基于深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的圖像分類模型，于2012年由

AlexKrizhevsky等人提出。它在ImageNet比賽中首次將深度學(xué)習(xí)應(yīng)用于計算

機視覺，并奪得了驚人的優(yōu)異成績。

AlexNet模型擁有約6,800萬個參數(shù)和大約60百萬個神經(jīng)元。AlexNet模

型的應(yīng)用非常廣泛，除了圖像分類之外，還可以應(yīng)用于對象檢測、語義分割等

領(lǐng)域。

在基于深度學(xué)習(xí)AlexNet模型的口罩識別方法設(shè)計中，采用了卷積神經(jīng)網(wǎng)

絡(luò)（ConvolutionalNeuralNetwork，CNN）來實現(xiàn)口罩識別的任務(wù)。CNN是一種

前饋神經(jīng)網(wǎng)絡(luò)，主要用于圖像和語音識別等領(lǐng)域。卷積神經(jīng)網(wǎng)絡(luò)具有表征學(xué)習(xí)

（representationlearning）能力，CNN中的卷積層采用了不同的卷積核進行

圖像特征提取，池化層則通過對卷積層輸出的特征圖做最大或平均池化來減小

輸入的大小并增加模型的平移不變性，因此也被稱為“平移不變?nèi)斯ど窠?jīng)網(wǎng)絡(luò)

(Shift-InvariantArtificialNeuralNetworks,SIANN)”。對卷積神經(jīng)網(wǎng)絡(luò)

的研究始于20世紀80至90年代,其是仿造生物的視知覺機制構(gòu)建,可以進行

監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí),其隱含層內(nèi)的卷積核參數(shù)共享和層間連接的稀疏性使

得卷積神經(jīng)網(wǎng)絡(luò)能夠以較小的計算量對格點化特征,例如像素和音頻進行學(xué)習(xí)、

有穩(wěn)定的效果且對數(shù)據(jù)沒有額外的特征工程（featureengineering）要求。

1.2.3TensorFlow簡介

TensorFlow是GoogleBrain團隊開發(fā)的，它是一種開源機器學(xué)習(xí)框架。它

被廣泛用于深度學(xué)習(xí)、人工智能、自然語言處理等領(lǐng)域。2015年11月9日正式

發(fā)布。TensorFlow的思想是以最簡單的方式來實現(xiàn)機器學(xué)習(xí)和深度學(xué)習(xí)的概念，

它結(jié)合了計算代數(shù)的優(yōu)化技術(shù)，使它便計算許多數(shù)學(xué)表達式。

TensorFlow能應(yīng)用在許多地方，比如，圖像識別、手寫數(shù)字分類、遞歸神

經(jīng)網(wǎng)絡(luò)、單詞嵌入、自然語言處理、視頻檢測等等。TensorFlow采用數(shù)據(jù)流圖

的方式來表示計算過程，節(jié)點表示計算操作，邊表示張量（Tensor）之間的傳

遞。

在基于深度學(xué)習(xí)AlexNet模型的口罩識別方法設(shè)計中，TensorFlow可以用

于構(gòu)建和訓(xùn)練模型，同時也可以用于模型的部署和應(yīng)用。TensorFlow提供了方

便的API和工具，可以極大地簡化深度學(xué)習(xí)模型的開發(fā)和應(yīng)用過程。

2需求分析

2

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

2.1可行性需求分析

2.1.1技術(shù)可行性

Python在人工智能、大數(shù)據(jù)、自動化操作、全棧開發(fā)方面具有得天獨厚的

優(yōu)勢，python對于需要減少編譯鏈接、多實踐的初學(xué)者來說，錯誤可能會減少。

python有網(wǎng)絡(luò)、文件、GUI、數(shù)據(jù)庫、它提供了一個非常完整的基本代碼庫，覆

蓋文本等許多內(nèi)容，形象地稱為“內(nèi)置電池（Batteriesincluded）”。使用

Python開發(fā)許多功能不需要從頭開始編寫，也不需要直接使用。Python是一種

面向?qū)ο蟮恼Z言,但它的面向?qū)ο髤s不像C那樣強調(diào)概念,而是更注重實用。它

用最簡單的方法讓編程者能夠享受到面向?qū)ο髱淼暮锰?這正是Python能像

Java、C#那樣吸引眾多支持者的原因之一。

2.1.2項目可行性

由于全球新冠肺炎疫情的影響，保護全球公民健康的要求已經(jīng)提高。在公

共場所戴口罩可以作為預(yù)防傳染病的一種方法，因此戴口罩出行已成為人們的

日常習(xí)慣。乘坐交通工具或人員進出大型購物中心、校園、醫(yī)院、辦公室等場

所時，需要進行口罩佩戴檢查。檢測是否使用口罩已成為預(yù)防和控制流行病的

重要手段。在進行人工檢查時，存在工人缺席、交通排隊、識別和放行丟失等

問題，以及密集且流動性極強的公共交通如果僅僅依靠人工檢查無疑是一項耗

時且密集的工作，隨著時間的推移，檢查員也會感到疲憊，從而導(dǎo)致效率低下。

因此，使用人工智能技術(shù)而不是人力資源來檢查口罩是否正確佩戴成為更好的

選擇。

2.2關(guān)鍵技術(shù)分析

Alexnet網(wǎng)絡(luò)結(jié)構(gòu)圖如圖2-1：

圖2-1Alexnet網(wǎng)絡(luò)結(jié)構(gòu)圖

3

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

2.2.1輸入層

AlexNet的輸入層接受RGB彩色圖像，大小為227×227。

2.2.2卷積層

AlexNet采用了五個卷積層，其中前兩個卷積層后會緊跟一個池化層。這些

卷積層和池化層共同組成了AlexNet的特征提取器。

Conv1層：為AlexNet的第1個卷積層，使用的卷積核為(11*11*3)*96（卷

積核大小為11*11，輸入通道為3，輸出通道為96），步長為4。通過套用卷積

通用公式，可以得到最后輸出的特征圖的高度和寬度均為55，最后輸出的特征

圖的維度為55×55×96。

Conv2層：為AlexNet的第2個卷積層，使用的卷積核為(5*5*96)*256，步

長為1。得到最后輸出的特征圖的高度和寬度均為27，最后得到輸出的特征圖

的維度為27×27×256。

Conv3層：為AlexNet的第3個卷積層，使用的卷積核(3*3*256)*384，步

長為1。

Conv4層：為AlexNet的第4個卷積層，使用的卷積核為(3*3*384)*384，

步長為1。得到最后輸出的特征圖的高度和寬度均為13，最后得到特征圖的維

度為13×13×384。

Conv5層：為AlexNet的第5個卷積層，使用的卷積核為(3*3*384)*256，

步長為1。得到最后輸出的特征圖的高度和寬度均為13，最后得到輸出的特征

圖的維度為13×13×256。

2.2.3池化層

池化核大小為3×3，步長為2。池化(Pooling)是卷積神經(jīng)網(wǎng)絡(luò)中另一個重

要的概念,它實際上是一種形式的降采樣。有多種不同形式的非線性池化函數(shù),

而其中最大池化(MaxPooling)是最為常見的。它是將輸入的圖像劃分為若干個

矩形區(qū)域,對每個子區(qū)域輸出最大值。直覺上,這種機制能夠有效地原因在于,在

發(fā)現(xiàn)一個特征之后,它的精確位置遠不及它和其他特征的相對位置的關(guān)系重要。

池化層會不斷地減小數(shù)據(jù)的空間大小,因此參數(shù)的數(shù)量和計算量也會下降,這在

一定程度上也控制了過擬合Error!Referencesourcenotfound.。

2.2.4Dropout層

AlexNet使用了Dropout層，用于減少模型的過擬合情況。在訓(xùn)練的時候以

4

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

1/2概率使得隱藏層的某些神經(jīng)元的輸出為0，這樣就丟掉了一半節(jié)點的輸出，

反向傳播的時候也不更新這些節(jié)點，輸出的特征圖的維度為1×4096。

2.2.5全連接層

全連接層是每一個結(jié)點都與上一層的所有結(jié)點相連用來把前邊提取到的特

征綜合起來。由于其全相連的特性，一般全連接層的參數(shù)也是最多的。在CNN

結(jié)構(gòu)中，經(jīng)多個卷積層和池化層后，連接著1個或1個以上的全連接層與MLP

類似，全連接層中的每個神經(jīng)元與其前一層的所有神經(jīng)元進行全連接。全連接

層可以整合卷積層或者池化層中具有類別區(qū)分性的局部信息。為了提升CNN網(wǎng)

絡(luò)性能，全連接層每個神經(jīng)元的激勵函數(shù)一般采用ReLU函數(shù)。

2.2.6Softmax輸出層

softmax最主要的作用，就是將神經(jīng)網(wǎng)絡(luò)的輸出轉(zhuǎn)化為概率形式。神經(jīng)元的

輸出值越大，經(jīng)過輸出層轉(zhuǎn)換的概率就越大。

3數(shù)據(jù)集處理

口罩識別是一種計算機視覺的任務(wù)，通常需要大量的數(shù)據(jù)來訓(xùn)練深度學(xué)習(xí)

模型。在AlexNet模型中口罩識別需要的數(shù)據(jù)包括有口罩和沒有口罩的圖像。

3.1數(shù)據(jù)集收集

圖3-1收集圖像數(shù)據(jù)

收集圖像數(shù)據(jù)集：數(shù)據(jù)集來源于網(wǎng)絡(luò)，使用各種在線資源收集的人們佩戴

或未佩戴口罩的圖像，共298張圖像放入名為JPEGImages的文件夾中，圖片從

5

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

000001—000298命名，如圖3-1。

3.2數(shù)據(jù)集標注

用標注工具對圖像進行標注：對于每個圖像，需要標注圖像中是否存在口

罩。這可以通過將圖像中存在口罩的區(qū)域框出或者直接在圖像上作出標記來完

成。本文使用的是LabelImg，把戴口罩的標為mask，不戴口罩標為face。放入

名為Annotataions的文件夾中，如圖3-2。

圖3-2圖像標注

3.3數(shù)據(jù)集預(yù)處理

將數(shù)據(jù)集分成訓(xùn)練集、驗證集和測試集：通常，將數(shù)據(jù)集分成訓(xùn)練集、驗

證集和測試集可以幫助評估模型的性能。訓(xùn)練集有98張，測試集有102張，驗

證集有98張，共298張數(shù)據(jù)集，代碼如圖3-3。

6

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

圖3-3分割數(shù)據(jù)集

4模型構(gòu)建及評估分析

4.1模型構(gòu)建

4.1.1搭建AlexNet模型

AlexNet模型是一種卷積神經(jīng)網(wǎng)絡(luò)（CNN），它由多個卷積層、池化層、全

連接層和激活函數(shù)等組成。

1.Conv2D函數(shù)

Conv2D函數(shù)是卷積層中的一種操作，它用于從輸入數(shù)據(jù)中提取特征并將其

轉(zhuǎn)換為輸出數(shù)據(jù)。在AlexNet模型中，Conv2D函數(shù)負責(zé)對輸入圖像進行卷積操

7

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

作，從而學(xué)習(xí)到特征信息。

Conv2D函數(shù)的參數(shù)包括filters（卷積核的數(shù)量）、kernel_size（卷積核

的大?。?、activation（激活函數(shù)類型）和input_shape（輸入數(shù)據(jù)的形狀）。

同時，在Conv2D函數(shù)中還可以設(shè)置padding參數(shù)，以控制卷積運算的邊緣處理

方法，常用的padding方式有"valid"和"same"。

kernel_size：卷積核的大小，如果該參數(shù)是一個整數(shù)q，那么卷積核的大

小是qXq。

stride：步長。是卷積過程中移動的步長。默認情況下是1。一般卷積核在

輸入圖像上的移動是自左至右，自上至下。如果參數(shù)是一個整數(shù)那么就默認在

水平和垂直方向都是該整數(shù)。如果參數(shù)是stride=(2,1),2代表著高（h）進行

步長為2，1代表著寬（w）進行步長為1。

padding：填充，默認是0填充

2.Sequential函數(shù)

Sequential函數(shù)是一種常見的數(shù)學(xué)函數(shù)，它可以用來解決復(fù)雜的問題。它

的基本思路是:將問題分為很多個小問題再來解決，從而獲得最終的答案。

Sequential函數(shù)是一種組合函數(shù)，它可以將多個函數(shù)順序連接起來，實現(xiàn)

函數(shù)的組合。它可以將多個函數(shù)視為一個整體，叢而獲得更高的效率。

Sequential函數(shù)可以用于解決復(fù)雜的問題，例如求解多元函數(shù)的最小值、

求解矩陣的最大特征值等。Sequential函數(shù)也可以用于解決更復(fù)雜的問題，例

如動態(tài)規(guī)劃、機器學(xué)習(xí)和人工智能等。

Sequential函數(shù)也可以用于模擬復(fù)雜的系統(tǒng)，例如環(huán)境動力學(xué)、社會系統(tǒng)

和生物系統(tǒng)等。它可以用于模擬系統(tǒng)的運行情況，并分析其變化趨勢，從而為

系統(tǒng)的調(diào)整和優(yōu)化提供有效的參考。

Sequential函數(shù)是一種強大的數(shù)學(xué)工具，它可以用于解決復(fù)雜的問題，甚

至可以用于模擬復(fù)雜的系統(tǒng)。它的使用范圍很廣泛，是研究復(fù)雜問題的有效工

具，也是實現(xiàn)智能的必要條件。

3.Dense函數(shù)

Dense數(shù)是深度學(xué)習(xí)中常用的一種層類型，它可以讓神經(jīng)網(wǎng)絡(luò)更加容易擬合

復(fù)雜的函數(shù)，并能夠解決具有非線性特征的問題。它也是深度學(xué)習(xí)模型中最常

用的一類層。

Dense數(shù)由參數(shù)和激活函數(shù)組成。參數(shù)是指權(quán)重參數(shù)、偏置參數(shù)等，而激活

函數(shù)提供了非線性特征，能夠?qū)⒕W(wǎng)絡(luò)的輸出從單二變量變?yōu)槎嗑S特征，從而增

強網(wǎng)絡(luò)的性能。激活函數(shù)的選擇也是影響深度學(xué)習(xí)模型性能的重要參數(shù)，常用

8

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

的激活函數(shù)有Sigmod、Remlu、Softmax等。

Dense數(shù)可以用來構(gòu)建多層神經(jīng)網(wǎng)絡(luò)，這也是深度學(xué)習(xí)模型的基礎(chǔ)。在構(gòu)建

多層神經(jīng)網(wǎng)絡(luò)時，每一層的Dense數(shù)都會與前后層之間建立連接，而在每一層

Dense函數(shù)中，有多個隱藏層，每一個隱藏層連接至上一個隱藏層或輸入層，最

終，輸出層連接至最后一個隱藏層。

Dense數(shù)使得深度學(xué)習(xí)中的算法可以處理更復(fù)雜的任務(wù)和更多樣化的數(shù)據(jù)，

它可以極大地提高算法的工作效率，提高了智能化系統(tǒng)的性能。Dense數(shù)還可以

解決線性回歸、時序分析、自然語言處理(NLP)、等等各種非線性特征的問題，

使得智能化系統(tǒng)發(fā)展得更加迅速隨著深度學(xué)習(xí)技術(shù)的發(fā)展，Dense函數(shù)也在不斷

進化。比如多層感知器(MLP)通過全連接層的構(gòu)建，解決NLP問題，而殘差網(wǎng)

絡(luò)(ResNet)則將Dense函數(shù)中的每一層連接起來，把信息傳播更為有效，從而

提升了深度學(xué)習(xí)模型的表現(xiàn)力。

由此可見，Dense數(shù)是深度學(xué)習(xí)模型的重要基礎(chǔ)，它不僅具有普遍應(yīng)用，而

且還不斷進化，帶來了無窮的可能性。在未來，隨著深度學(xué)習(xí)科技的發(fā)展，Dense

數(shù)也將持續(xù)扮演重要角色，將深度學(xué)習(xí)帶入更高的層次。

4.MaxPooling2D函數(shù)

MaxPooling2D函數(shù)是一種池化操作，它可以減小圖像的尺寸和參數(shù)數(shù)量，

同時還能夠增加模型的魯棒性。在AlexNet模型中，MaxPooling2D函數(shù)的主要

作用是對卷積層的輸出進行下采樣，從而保留更重要的特征，同時減小了過擬

合的風(fēng)險。為了更好地保證模型的泛化能力和準確性，需要在訓(xùn)練模型時對輸

入數(shù)據(jù)進行歸一化或標準化處理。

poolsize:用于設(shè)置池化窗口的大小，這個參數(shù)需要指定一個整數(shù)元組或列

表。本設(shè)計中參數(shù)的值為(3,3)，則表示將輸入的特征圖分成3x3的小塊，對每

個小塊取最大值作為輸出的新特征圖中對應(yīng)位置的值。poolsize參數(shù)的值必須

是正整數(shù)，且小于或等于輸入特征圖在對應(yīng)維度上的大小。

strides:用于設(shè)置池化窗口在輸入特征圖上移動的步長，并影響池化操作

的數(shù)量和輸出特征圖的大小。本設(shè)計中步長值為(2,2)，則表示池化窗口在高度

和寬度方向上每次移動2個像素。

5.Flatten函數(shù)

Flatten層用來將輸入“壓平”，即把多維的輸入一維化，常用在從卷積層

到全連接層的過渡。

在利用Alex網(wǎng)絡(luò)進行面具識別的過程中，需要使用Flatten函數(shù)，將卷

積與池化層的結(jié)果轉(zhuǎn)換成一維向量，并將其作為整個連通層的輸入。在此基礎(chǔ)

9

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

上，將卷積/集合層的特征圖譜轉(zhuǎn)換成一系列的特征矢量，使所有連通層都能從

中提取出更高級的抽象特征，從而達到對物體進行分類與識別的目的。

總的來說，F(xiàn)latten函數(shù)的功能就是把一個多維數(shù)據(jù)集壓縮成一個一維數(shù)據(jù)

集，這樣就可以用于以后的數(shù)據(jù)處理。

6.Dropout函數(shù)

Dropout是一種非常常用的正則化方法。在訓(xùn)練神經(jīng)網(wǎng)絡(luò)的時候經(jīng)常會

遇到過擬合的問題，過擬合具體表現(xiàn)在：模型在訓(xùn)練數(shù)據(jù)上損失函數(shù)較小，預(yù)

測準確率較高；但是在測試數(shù)據(jù)上損失函數(shù)比較大，預(yù)測準確率較低。Dropout

被應(yīng)用在全連接層之后。它能夠有效提高模型的性能、減小模型的訓(xùn)練誤差，

并且在測試時也可以使用Dropout方法對模型進行正則化，以獲得更好的性能

表現(xiàn)。

定義AlexNet模型代碼如圖4-1，定義AlexNet輸出模型結(jié)構(gòu)如圖4-2。

圖4-1AlexNet模型構(gòu)建代碼

10

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

圖4-2定義AlexNet輸出模型結(jié)構(gòu)展示頁面

4.1.2加載數(shù)據(jù)集

在進行訓(xùn)練之前，需要將處理后的數(shù)據(jù)集導(dǎo)入到模型中，代碼如圖4-3。

11

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

圖4-3數(shù)據(jù)集展示頁面

4.1.3訓(xùn)練模型

將導(dǎo)入的數(shù)據(jù)集傳輸?shù)紸lexNet模型中進行訓(xùn)練。訓(xùn)練可以通過在數(shù)據(jù)集

上迭代許多次來完成，每次迭代稱為一個“epoch”。本文使用Python中的

TensorFlow框架進行模型訓(xùn)練。模型編譯與訓(xùn)練代碼如圖4-4，模型編譯與訓(xùn)

練運行展示頁面4-5，模型可視化展示頁面4-6。

圖4-4模型編譯與訓(xùn)練代碼展示頁面

12

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

圖4-5模型編譯與訓(xùn)練運行展示頁面

圖4-6模型可視化展示頁面

4.2模型評估與優(yōu)化

在模型經(jīng)過訓(xùn)練之后，我們需要使用測試集來評估模型的性能和泛化能力。

模型評估代碼如圖4-7，模型評估運行如圖4-8。

13

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

圖4-7模型評估代碼

圖4-8模型評估運行結(jié)果

5模型預(yù)測

將待預(yù)測的圖像數(shù)據(jù)輸入已加載的模型中，并使用模型的predict函數(shù)進

行預(yù)測，得到預(yù)測結(jié)果。在口罩識別任務(wù)中，預(yù)測結(jié)果通常為佩戴口罩、未佩

戴口罩標簽。模型預(yù)測代碼如圖5-1，模型預(yù)測圖如圖5-2，模型預(yù)測結(jié)果如圖

5-3。

圖5-1模型預(yù)測代碼展示頁面

圖5-2模型預(yù)測圖展示頁面圖5-3模