Python 用于性别检测的Vgg16（男性、女性）

我们使用了vgg16和冻结顶层，并在性别数据集12k男性和12k女性上对最后4层进行了再培训。它的准确度非常低，尤其是对于男性。我们正在使用IMDB数据集。在雌性测试数据上，它给出雌性作为输出，但在雄性上，它给出相同的输出

vgg_conv=VGG16(weights='imagenet', include_top=False, input_shape=(224, 224, 3))

Freeze the layers except the last 4 layers
for layer in vgg_conv.layers[:-4]: 
    layer.trainable = False

Create the model
model = models.Sequential()

Add the vgg convolutional base model
model.add(vgg_conv)

Add new layers
model.add(layers.Flatten()) 
model.add(layers.Dense(4096, activation='relu')) 
model.add(layers.Dense(4096, activation='relu')) 
model.add(layers.Dropout(0.5)) model.add(layers.Dense(2, activation='softmax'))

nTrain=16850 nTest=6667

train_datagen = image.ImageDataGenerator(rescale=1./255)

test_datagen = image.ImageDataGenerator(rescale=1./255)

batch_size = 12 batch_size1 = 12

train_generator = train_datagen.flow_from_directory(train_dir, target_size=(224, 224), batch_size=batch_size, class_mode='categorical', shuffle=False)

test_generator = test_datagen.flow_from_directory(test_dir, target_size=(224, 224), batch_size=batch_size1, class_mode='categorical', shuffle=False)

model.compile(optimizer=optimizers.RMSprop(lr=1e-6), loss='categorical_crossentropy', metrics=['acc'])

history = model.fit_generator( train_generator, steps_per_epoch=train_generator.samples/train_generator.batch_size, epochs=3, validation_data=test_generator, validation_steps=test_generator.samples/test_generator.batch_size, verbose=1)

model.save('gender.h5')

测试代码：

model=load_model('age.h5') 
img=load_img('9358807_1980-12-28_2010.jpg', target_size=(224,224)) 
img=img_to_array(img) 
img=img.reshape((1,img.shape[0],img.shape[1],img.shape[2])) 
img=preprocess_input(img) 
yhat=model.predict(img) 
print(yhat.size) 
label=decode_predictions(yhat)

label=label[0][0]

print('%s(%.2f%%)'% (label[1],label[2]*100))

---

首先，您将模型保存为

gender.h5

，并在测试期间加载模型

age.h5

。可能您在这里为测试添加了不同的代码

来提高程序的准确性-

最重要的是，您正在使用

loss='categorical\u crossentropy'

，将其更改为

model中的
loss='binary\u crossentropy'
。编译
，因为您只有两个类。那么你的
model.compile（optimizer=“adam”，loss=tf.keras.loss.BinaryCrossentropy（from_logits=True），metrics=['accurity']）
如下所示
同时将
flow\u目录中的
class\u mode='classifical'
更改为
class\u mode='binary'

由于
category\u crossentropy
与最后一层中的
softmax
激活密切相关，如果您将损失更改为
binary\u crossentropy
则最后一次激活也应更改为
sigmoid
。所以最后一层应该是
密集的（1，activation='sigmoid'）
您已经添加了两层
4096
，这将添加
4096*4096=‭16,777,216‬模型学习的权重。将它们分别减少到
1026
和
512

您添加了
Dropout
层
0.5
，即在新纪元期间保持50%的神经元关闭。这是一个巨大的数字。更好的方法是去掉
下拉列表
层，仅当您的模型
过拟合时才使用

设置
batch\u size=1
。由于您的输入非常少，所以让每个历元具有与输入记录相同的步数
使用数据增强技术，如
ImageDataGenerator的
水平翻转
，
垂直翻转
，
剪切范围
，
缩放范围
，在每个
纪元
期间生成新批次的训练和验证图像

为大量的
epoch
培训您的模型。您只是在为
epoch=3
进行训练，这对于学习权重来说太少了。训练
epoch=50
，然后调整号码
希望这能回答你的问题。愉快学习。
首先，您将模型保存为
gender.h5
，并在测试期间加载模型
age.h5
。可能您在这里为测试添加了不同的代码

来提高程序的准确性-

最重要的是，您正在使用
loss='categorical\u crossentropy'
，将其更改为
model中的
loss='binary\u crossentropy'
。编译
，因为您只有两个类。那么你的
model.compile（optimizer=“adam”，loss=tf.keras.loss.BinaryCrossentropy（from_logits=True），metrics=['accurity']）
如下所示
同时将
flow\u目录中的
class\u mode='classifical'
更改为
class\u mode='binary'

由于
category\u crossentropy
与最后一层中的
softmax
激活密切相关，如果您将损失更改为
binary\u crossentropy
则最后一次激活也应更改为
sigmoid
。所以最后一层应该是
密集的（1，activation='sigmoid'）
您已经添加了两层
4096
，这将添加
4096*4096=‭16,777,216‬模型学习的权重。将它们分别减少到
1026
和
512

您添加了
Dropout
层
0.5
，即在新纪元期间保持50%的神经元关闭。这是一个巨大的数字。更好的方法是去掉
下拉列表
层，仅当您的模型
过拟合时才使用

设置
batch\u size=1
。由于您的输入非常少，所以让每个历元具有与输入记录相同的步数
使用数据增强技术，如
ImageDataGenerator的
水平翻转
，
垂直翻转
，
剪切范围
，
缩放范围
，在每个
纪元
期间生成新批次的训练和验证图像

为大量的
epoch
培训您的模型。您只是在为
epoch=3
进行训练，这对于学习权重来说太少了。训练
epoch=50
，然后调整号码
希望这能回答你的问题。快乐学习。
你应该重新缩进你的预测代码以提高可读性。问题是它预测女性为女性，但男性也为女性。你应该重新缩进预测代码以提高可读性。问题是它预测女性为女性，但男性也为女性。