人脸属性识别（二）

之前有写过一篇关于人脸40属性识别的深度学习神经网络（Pytorch实现人脸多属性识别），感兴趣的小伙伴可以去看一下，这次主要是对上一篇博客的另一种补充实现方法。

依然是这个数据集——CalebA人脸数据集（官网链接）是香港中文大学的开放数据

关于是哪四十种属性，小伙伴可以参考下面这个链接：CelebA 40 种属性

在上篇博客中使用的是每种属性单独用一个网络去识别，不同属性之间权值互不影响，整体的思路如下：

将图片经过预处理之后，依次送入到40个网络中分别识别不同的属性，然后输出结果，整个网络的可解释性比较强，拟合效果也很好，准确率相对较高。因为上一篇博客已经介绍的很详细了，这里就不多做介绍了。

既然可以用40个网络识别40个属性，那么是否也可以用1个网络识别40个属性？答案是可以的！

整个网络的思路如下：

 

将图片输入到一个网络中，然后网络的卷积层的参数共享，通过不同的全连接层输出40种属性。因为是使用1个网络，所以可以适当增加网络深度以提高拟合的效果，但是过深的网络会导致梯度弥散或者爆炸，导致精度降低，使用Resnet网络可以很好的避免这种情况发生，所以我重写了一个Resnet50的网络以实现上述输出40个结果的网络，代码如下：

# -*- coding:utf-8 -*-
import torch
import torch.nn as nn

class Bottleneck(nn.Module):
    expansion = 4
 
    def __init__(self, inplanes, planes, stride=1, downsample=None):
        super(Bottleneck, self).__init__()
        self.conv1 = nn.Conv2d(inplanes, planes, kernel_size=1, bias=False)
        self.bn1 = nn.BatchNorm2d(planes)
        self.conv2 = nn.Conv2d(planes, planes, kernel_size=3, stride=stride,
                               padding=1, bias=False)
        self.bn2 = nn.BatchNorm2d(planes)
        self.conv3 = nn.Conv2d(planes, planes * self.expansion, kernel_size=1, bias=False)
        self.bn3 = nn.BatchNorm2d(planes * self.expansion)
        self.relu = nn.ReLU(inplace=True)
        self.downsample = downsample
        self.stride = stride
 
    def forward(self, x):
        residual = x
 
        out = self.conv1(x)
        out = self.bn1(out)
        out = self.relu(out)
 
        out = self.conv2(out)
        out = self.bn2(out)
        out = self.relu(out)
 
        out = self.conv3(out)
        out = self.bn3(out)
 
        if self.downsample is not None:
            residual = self.downsample(x)
 
        out += residual
        out = self.relu(out)
 
        return out

class ResNet(nn.Module):
 
    def __init__(self, block, layers):
        self.inplanes = 64
        super(ResNet, self).__init__()
        self.conv1 = nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3,
                               bias=False)
        self.bn1 = nn.BatchNorm2d(64)
        self.relu = nn.ReLU(inplace=True)
        self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=1)
        self.layer1 = self._make_layer(block, 64, layers[0])
        self.layer2 = self._make_layer(block, 128, layers[1], stride=2)
        self.layer3 = self._make_layer(block, 256, layers[2], stride=2)
        self.layer4 = self._make_layer(block, 512, layers[3], stride=2)
        self.avgpool = nn.AvgPool2d(7, stride=1)
        self.fc_list40 = [nn.Linear(512 * block.expansion, 2)]*40  #将卷积的结果输入到40个fc层，如果在这一行报错的话可以选择直接写40个self.fc= nn.Linear(512 * block.expansion, 2),加上编号，例如fc0,fc1...fc39,我本人的代码实现中是这么写的，这里是为了减少代码的行数所修改了一下，暂时没尝试训练是否会报错。没有GPU太痛苦！
        
        for m in self.modules():
            if isinstance(m, nn.Conv2d):
                nn.init.kaiming_normal_(m.weight, mode='fan_out', nonlinearity='relu')
            elif isinstance(m, nn.BatchNorm2d):
                nn.init.constant_(m.weight, 1)
                nn.init.constant_(m.bias, 0)
 
    def _make_layer(self, block, planes, blocks, stride=1):
        downsample = None
        if stride != 1 or self.inplanes != planes * block.expansion:
            downsample = nn.Sequential(
                nn.Conv2d(self.inplanes, planes * block.expansion,
                          kernel_size=1, stride=stride, bias=False),
                nn.BatchNorm2d(planes * block.expansion),
            )
 
        layers = []
        layers.append(block(self.inplanes, planes, stride, downsample))
        self.inplanes = planes * block.expansion
        for i in range(1, blocks):
            layers.append(block(self.inplanes, planes))
 
        return nn.Sequential(*layers)
 
    def forward(self, x):
        x = self.conv1(x)
        x = self.bn1(x)
        x = self.relu(x)
        x = self.maxpool(x)
 
        x = self.layer1(x)
        x = self.layer2(x)
        x = self.layer3(x)
        x = self.layer4(x)
 
        x = self.avgpool(x)
        x = x.view(x.size(0), -1)
        #x = self.fc(x)
        
        out_list = []
        for i in range(40):
            out_list.append(self.fc_list40[i](x))
 
        return out_list

只需要将上面的代码替换掉上一篇人脸属性识别中module的部分即可开始训练网络了

欢迎分享和留言。

分享请注明出处。