人脸表情识别PaddlePaddle学习1
目录
人脸检测
人脸表情识别初尝试
创建项目，挂载数据集
环境导入
os模块
numpy模块
pandas模块
matplotlib.pyplot
matplotlib.image
cv2
加载数据集
数据标注
数据集定义
模型选择和开发
模型训练和优化
总结
参考项目
人脸检测
是一个回归任务。
图像分类与人脸检测，一个是分类任务， 一个是回归任务，两者在卷积层都可选择ResNet网络，只不过在输出时，分类任务将输出转化为概率，而回归任务在卷积层后做线性变化，激活后再线性变化将输出转化为坐标，用来描述人脸关键点信息。
两者另一直观的区别是损失函数的不同，图像分类使用CrossEntropyLoss即交叉熵Loss，而人脸检测计算距离，使用L1Loss，L2Loss，SmoothL1Loss,分别是绝对误差，均方误差与一个分段检测。
人脸表情识别初尝试
创建项目，挂载数据集
上传文件为压缩zip格式，与课程中显示页面相同，应该没有问题。
环境导入
#环境导入
import os #对目录和文件进行读取及其他操作
import numpy as np #矩阵计算的函数库
import pandas as pd #数据分析包
import matplotlib.pyplot as plt #绘图模块
import matplotlib.image as mpimg #图像基本操作模块，转换，通道等
import cv2 #图像处理库
import paddle
import warnings
warnings.filterwarnings('ignore') # 忽略 warningos模块
os.getcwd()函数，获取当前目录，工作目
os.name 函数,获取当前使用的操作系统,其中 'nt' 是 windows，'posix' 是 linux 或者 unix
os.remove()函数,删除指定文件, os.remove('file.txt')
os.removedirs()函数，删除指定目录，os.removedirs('file')
os.system()函数，运行shell命令，不懂。
os.mkdir()函数，创建一个新目录
os.chdir()函数，改变当前路径到指定路径，os.chdir('/home')
os.listdir(）函数，返回指定目录下的所有目录和文件
参考详见https://blog.csdn.net/u013455430/article/details/79898600
numpy模块
NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
pandas模块
python的一个数据分析包，提供了大量能使我们快速便捷地处理数据的函数和方法。
matplotlib.pyplot
绘图与显示图像模块。
参考详见https://blog.csdn.net/qq_31192383/article/details/53977822
matplotlib.image
也是对图像的一些操作，比如颜色转换。
cv2
计算机视觉，图像处理库。
加载数据集
!unzip -q -o data/data99885/F_E_R.zip数据标注
在paddle课程中十二生肖例子中的Config文件的基础上进行数据标注，生成数据集标注文件train和test。
虽然中途因为搞不清路径与函数名之间的关系有error，但最后误打误撞成功生成了数据集标注文件train.txt和test.txt。
数据集定义
接下来我们使用标注好的文件进行数据集类的定义，方便后续模型训练使用。
将定义数据集写入单独的python文件，还是会因为路径原因找不到数据集。
考虑直接将代码放入主代码，此时可以运行了。
模型选择和开发
network = paddle.vision.models.resnet50(num_classes=get('num_classes'), pretrained=True)#使用paddle高层API
model = paddle.Model(network)
model.summary((-1, ) + tuple(get('image_shape')))#模型可视化模型可视化结果
模型训练和优化
EPOCHS = get('epochs')
BATCH_SIZE = get('batch_size')
#优化函数
def create_optim(parameters):
step_each_epoch = get('total_images') // get('batch_size')
lr = paddle.optimizer.lr.CosineAnnealingDecay(learning_rate=get('LEARNING_RATE.params.lr'),
T_max=step_each_epoch * EPOCHS)
return paddle.optimizer.Momentum(learning_rate=lr,
parameters=parameters,
weight_decay=paddle.regularizer.L2Decay(get('OPTIMIZER.regularizer.factor'))) #正则化来提升精度
# 模型训练配置
model.prepare(create_optim(network.parameters()), # 优化器
paddle.nn.CrossEntropyLoss(), # 损失函数
paddle.metric.Accuracy(topk=(1, 5))) # 评估指标
# 训练可视化VisualDL工具的回调函数
visualdl = paddle.callbacks.VisualDL(log_dir='visualdl_log')
# 启动模型全流程训练
model.fit(train_dataset, # 训练数据集
valid_dataset, # 评估数据集
epochs=EPOCHS, # 总的训练轮次
batch_size=BATCH_SIZE, # 批次计算的样本量大小
shuffle=True, # 是否打乱样本集
verbose=1, # 日志展示格式
save_dir='./chk_points/', # 分阶段的训练模型存储路径
callbacks=[visualdl]) # 回调函数使用
它卡住了，无法进展，要去问问老师吧。
总结
至此，人脸表情识别的结构差不多了，虽然代码都是直接拿来用的，但是接下来还是要多理解下他的数据集和优化函数到底是怎么定义的。
今天遇到的问题都是路径问题，归根究底是对代码的不理解导致的。
明天继续找出运行不成功的解决办法，让机器实现学习，再进行预测。
周五开始就要和老师和队友讨论下这个结构哪些是多余的，怎么精简，并做到更合适我们的项目。
参考项目
https://aistudio.baidu.com/aistudio/projectdetail/2182529