olivettifaces人脸识别之思考

最新推荐文章于 2024-09-20 21:34:45 发布

原创

最新推荐文章于 2024-09-20 21:34:45 发布 · 1.5k 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#人脸识别 #olivettifaces

本文记录了在keras中对olivettifaces人脸识别模型进行参数调整的过程，包括Dense层神经元数量的减少、添加池化层、卷积核维数对比以及优化器的选择。通过调整，发现特征提取过多会导致过拟合，减小Dense层神经元和增加池化层能有效提高模型准确性。此外，合适的batch_size对模型训练也至关重要。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

今天司轩斌老师带我们进行keras参数调整的一些步骤，因为是新手，没有一点调参的经验，所以就把一些参数的思考记录下来，防止做的笔记作废了。
代码最简单olivettifaces人脸识别参数调优也可以直接复制https://blog.youkuaiyun.com/zzZ_CMing/article/details/81127909

结尾加上如下代码可以进行模型绘制和网络结构绘制，然后loss的绘制可以自行百度

    model.summary()
    plot_model(model, to_file='model.png')
    SVG(model_to_dot(model).create(prog='dot', format='svg'))

一、初始化

在这里插入图片描述
发现准确率已经接近1了，如果准确率很低说明数据不够，可以不用看代码，从数据方面着手，如果准确率很高的话，说明只有个别不对，那就会去分析，发现我不像我了，反而通过特征提取我更像别人了，那么就是特征提取的不够，可以增大卷积核维数，或者增大卷积核个数，都是可以的
在这里插入图片描述
发现不行，并没有变化，模型可能特征多了，那就想办法降低特征，有两个办法，一个是Dense的输出神经元个数减少

#Dense的解释
dense表示分类的结果，通过flattern将数据变为1维时，
若分类有500个，就是通过数据的label标签进行学习，不断的更改w和b更改，
让输出结果和l

最低0.47元/天解锁文章

200万优质内容无限畅学