class MLModel(metaclass&＃61;abc.ABCMeta):def __init__(self, dataSet&＃61;None):if dataSet is not None:self.objects &＃61; dataSet.objectsself.labels &＃61; dataSet.labelsself.obj_validation &＃61; dataSet.obj_validationself.labels_validation &＃61; dataSet.labels_validationself.number_labels &＃61; dataSet.number_labelsself.n_classes &＃61; dataSet.n_classesself.init_model()&＃64;abstractmethoddef init_model(self):pass&＃64;abstractmethoddef train(self):pass&＃64;abstractmethoddef predict(self, object):pass&＃64;abstractmethoddef evaluate(self):score &＃61; self.get_model().evaluate(self.obj_validation, self.labels_validation, verbose&＃61;0)print("%s: %.2f%%" % (self.get_model().metrics_names[1], score[1] * 100))&＃64;abstractmethoddef get_model(self):pass

在我们的例子中&＃xff0c;dataset是本系列上一篇文章中描述的FaceDataSet类的实例。ConvolutionalModel类&＃xff0c;它从MLModel中继承和实现其所有的抽象方法&＃xff0c;是一个将包含我们的CNN架构的类。这里是&＃xff1a;

class ConvolutionalModel(MLModel):def __init__(self, dataSet&＃61;None):if dataSet is None:raise Exception("DataSet is required in this model")self.shape &＃61; numpy.array([constant.IMG_WIDTH, constant.IMG_HEIGHT, 1])super().__init__(dataSet)self.cnn.compile(loss&＃61;constant.LOSS_FUNCTION,optimizer&＃61;Common.get_sgd_optimizer(),metrics&＃61;[constant.METRIC_ACCURACY])def init_model(self):self.cnn &＃61; Sequential()self.cnn.add(Convolution2D(32, 3, padding&＃61;constant.PADDING_SAME, input_shape&＃61;self.shape))self.cnn.add(Activation(constant.RELU_ACTIVATION_FUNCTION))self.cnn.add(Convolution2D(32, 3, 3))self.cnn.add(Activation(constant.RELU_ACTIVATION_FUNCTION))self.cnn.add(MaxPooling2D(pool_size&＃61;(2, 2)))self.cnn.add(Dropout(constant.DROP_OUT_O_25))self.cnn.add(Convolution2D(64, 3, padding&＃61;constant.PADDING_SAME))self.cnn.add(Activation(constant.RELU_ACTIVATION_FUNCTION))self.cnn.add(Convolution2D(64, 3, 3))self.cnn.add(Activation(constant.RELU_ACTIVATION_FUNCTION))self.cnn.add(MaxPooling2D(pool_size&＃61;(2, 2)))self.cnn.add(Dropout(constant.DROP_OUT_O_25))self.cnn.add(Flatten())self.cnn.add(Dense(constant.NUMBER_FULLY_CONNECTED))self.cnn.add(Activation(constant.RELU_ACTIVATION_FUNCTION))self.cnn.add(Dropout(constant.DROP_OUT_0_50))self.cnn.add(Dense(self.n_classes))self.cnn.add(Activation(constant.SOFTMAX_ACTIVATION_FUNCTION))self.cnn.summary()def train(self, n_epochs&＃61;20, batch&＃61;32):self.cnn.fit(self.objects, self.labels,batch_size&＃61;batch,epochs&＃61;n_epochs, shuffle&＃61;True)def get_model(self):return self.cnndef predict(self, image):image &＃61; Common.to_float(image)result &＃61; self.cnn.predict(image)print(result)def evaluate(self):super(ConvolutionalModel, self).evaluate()

在构造函数中&＃xff0c;我们设置self.shape变量&＃xff0c;该变量定义输入层的形状。在我们的例子中&＃xff0c;对于Yale数据集&＃xff0c;图像高度为320像素&＃xff0c;宽度为243像素&＃xff0c;self.shape &＃61;(320, 243, 1)。

cnn &＃61; ConvolutionalModel(dataSet)
cnn.train(n_epochs&＃61;50)
cnn.evaluate()

在进行了50个时期的训练后&＃xff0c;我们在测试图像上的准确性达到了近85&＃xff05;。

cnn.predict(np.expand_dims(image, axis&＃61;0))

首先&＃xff0c;输入图像必须具有与先前训练的CNN输入层相同的尺寸或形状。其次&＃xff0c;在我们归一化数据的predict()方法中&＃xff0c;它应该是相同类型的输入&＃xff0c;即像素值矩阵&＃xff0c;因此无需提供归一化的图像像素矩阵。第三&＃xff0c;我们可能需要为输入的面部图像添加一个维度&＃xff0c;因为在经过训练的CNN中&＃xff0c;我们考虑了数据集中样本数量的第4个维度。这可以使用numpy的expand_dims()方法来实现。第四&＃xff0c;假定将提供面部图像&＃xff0c;在较大图片的情况下&＃xff0c;先前文章中提供的面部检测方法可证明是有用的。