《人工智能开源硬件与Pyhthon编程实践》课件 项目12 卷积神经网络初步与笑脸识别.pptVIP

卷积神经网络初步与笑脸识别 人工智能开源硬件与python编程实践 情境导入 面部表情分析已经成为了人工智能等领域的一个热点问题。 新款的相机、智能手机都采用了智能技术，不仅能够自动检测到取景框内的人脸，自动往人脸对焦，还能检测到笑脸状态，辅助拍下高质量的人物照片。 任务与目标 了解卷积神经网络CNN的基本原理、相关算法和应用方法； 了解笑脸检测技术的基本原理、模型结构和应用框架； 了解运用人工智能开源硬件和OpenAIE Python库中CNN算法设计人脸检测笑脸识别功能的编程方法； 针对生活应用场景，进一步开展创意设计，设计具有实用价值的笑脸检测应用系统。 知识拓展：机器学习 机器学习专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。 机器学习是研究怎样使用计算机模拟或实现人类学习活动的科学。 机器学习的研究内容主要包括决策树、随机森林、人工神经网络、贝叶斯学习等。 知识拓展：深度学习 深度学习是机器学习的新方向和新发展，主要体现为人工神经网络的研究和应用； 本质上是训练深层结构模型的方法，也是对于通过多层来表示对数据之间的复杂关系进行建模的算法，目的是实现人工智能的普及化。 深度学习网络就像人类大脑的学习机制一样，通过低层特征的组合形成更加抽象的高层特征，学习到数据的分布式特征，从而可像人脑一样实现对输入信息的分级表达来表示信息的属性或类别。 知识拓展：深度学习的具体过程 挖掘所给样本数据的内在规律与联系，提取、分析样本的特征信息，如图像、文本和声音，处理数据信息并发出指令，控制机器的行为，使机器具有类似于人类的学习、分析、识别、处理等能力。 深度学习包括卷积神经网络、基于多层神经元的自编码神经网络和深度置信网络三类。 知识拓展：神经网络 神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型，是一种模仿生物神经网络的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。 它建立M个隐藏层，按顺序建立输入层跟隐藏层的联结，最后建立隐藏层跟输出层的联结。为每个隐藏层的每个节点选择激活函数。求解每个联结的权重和每个节点自带的bias值。 知识拓展：神经网络 神经网络主要由：输入层，隐藏层，输出层构成。 知识拓展：卷积神经网络 卷积神经网络（CNN）是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类。 卷积神经网络采用局部感知域和权值共享的方法，减少了网络的参数的个数，降低了网络模型的复杂度，缓解了网络模型过拟合的问题。 知识拓展：CNN网络模型基本结构 典型的卷积神经网络主要由输入层、卷积层、池化层、全连接层和输出层构成 设计与实践 SmileNet模型结构 CNN神经网络的加载 编写第一个嵌入式Python程序 调试、验证及完善 SmileNet模型结构 卷积层。负责从图像中提取特征。通过随机失活（dropout）方式在训练阶段忽略随机节点来避免过拟合。就是在前向传播的时候，让某个神经元的激活值以一定的概率p停止工作，使得模型泛化性变强。 池化层。负责逐步减小模型的空间大小，从而减少参数的数量和网络中的计算量，从而也控制过度拟合。 全连接层。用来把前边提取到的特征综合起来，起分类器的作用，将得到的特征表示映射到样本标记空间。 CNN神经网络的加载 Python库中提供了Net类，进行神经网络模型的加载和计算处理，包括load、forward 和search 三种方法。先加载神经网络模型，构造出一个CNN神经网络Net类，就可以使用forward 和search方法进行网络有哪些信誉好的足球投注网站。 Net类的应用方法 nn.load(path)方法，用来将神经网络从.network二进制参数文件加载到内存中，构造一个CNN神经网络Net类。它将.network二进制模型参数文件加载到内存中，包括神经网络的层、权值、偏置等参数，返回一个Net对象。 net.forward（）方法，用于在图像roi区域上运行指定的神经网络，返回经过神经网络分类计算得出的结果列表。 net.search（）方法，以滑动窗口的方式在图像roi区域上运行网络指定的神经网络，返回得出的结果列表。 加载笑脸检测网络及启动笑脸检测 Net 类中提供net.forward(image[, roi[, softmax=False[, dry_run=False]]]) 方法，用于在图像roi上运行指定的神经网络，返回经过神经网络分类得出的结果列表。 其中，roi 是待处理区域的矩形元组（x，y，w，h），仅运算 roi 中的像素。如果未指定，则它等于图像矩形。如果softmax为True，