35、构建实用的卷积神经网络与循环神经网络：从面部识别到时间序列预测

构建实用的卷积神经网络与循环神经网络：从面部识别到时间序列预测

在机器学习领域，卷积神经网络（CNN）和循环神经网络（RNN）是两个强大的工具。本文将深入探讨如何构建实用的CNN用于面部识别，以及如何使用RNN进行时间序列数据的预测。

1. 构建用于面部识别的VGG - Face和VGG - Face Lite

在训练过程中，每5步会测量一次验证损失和准确率，每10步会保存一次新的模型检查点。以下是相关代码示例：

if j != 0 and j % 5 == 0: 
    v_loss, v_accuracy = sess.run([cost, accuracy], 
                                 feed_dict={x:val_image_batch, y:onehot_val_labels, 
                                            keep_prob:1.0})
    print("Step %d Validation Accuracy %f Validation Loss %f" % (j, 
                                                               v_accuracy, v_loss))
    last_v_accuracy = v_accuracy

if j != 0 and j % 10 == 0:
    print('Saving model progress.')

    fileList = glob.glob('vgg-face-'