Python NN-尝试创建人脸分类（不同人脸之间的差异），但结果不佳

我正在尝试创建一个神经网络，它将获得两张或更多的人物脸、人物脸等。。。并将识别每个人脸的姓名

例如，NN获取这些图片：

NN会说-1是谢尔顿，2是莱纳德

所以我做了以下代码-

import numpy as np
import tensorflow as tf
from pathlib import Path
import cv2
from random import shuffle

X = []
Y = []
NAMES = {

}
i = 0
for filename in Path('data').rglob('*.jpg'):
    i += 1
    img = cv2.imread(str(filename), cv2.IMREAD_UNCHANGED)
    resized = cv2.resize(img, (150, 150), interpolation=cv2.INTER_AREA)
    X.append(np.asarray(resized))
    thisName = str(filename).split("_")[0].split("\\")[1]
    if i == 1:
        NAMES[thisName] = 0
    if thisName in NAMES.keys():
        Y.append(np.asarray(NAMES[thisName]))
    else:
        print(NAMES.values())
        NAMES[thisName] = max(NAMES.values()) + 1
        Y.append(np.asarray(NAMES[thisName]))
Z = list(zip(X, Y))
shuffle(Z)  # WE SHUFFLE X,Y TO PERFORM RANDOM ON THE TEST LEVEL
X, Y = zip(*Z)

X = np.asarray(X)
Y = np.asarray(Y)

model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(16, (3, 3), activation='relu', input_shape=(150, 150, 3)),
    tf.keras.layers.MaxPooling2D(2, 2),
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2, 2),
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2, 2),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(1024, activation='relu'),
    tf.keras.layers.Dense(7, activation='softmax', name='pred')

])
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
# -------------- OUR TENSOR FLOW NEURAL NETWORK MODEL -------------- #
print("fitting")
history = model.fit(X, Y, epochs=1, batch_size=20)
print("testing")
model.evaluate(X, Y)

（模型前面的行只是从数据集中拍摄一张照片，并给她一个自定义图片名称的数字，假设这是一张sheldon的照片，而她将其作为输出0和输入图像本身……）

我拿了这个：在我装配模型之后，我在上面测试了模型，但不幸的是，我没有得到90%的预期结果，而是只得到了25%

我做错什么了吗

非常感谢，对不起我的英语

编辑：我的数据集看起来很好，除了penny的照片（但它不会影响太多）

编辑2：在我添加了一些conv2d之后，我得到了75%而不是25%，我仍然想要更多，但绝对更好

这是我的新型号：

model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu', input_shape=(150, 150, 3)),
    tf.keras.layers.MaxPooling2D(2, 2),
    tf.keras.layers.Conv2D(128, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2, 2),
    tf.keras.layers.Conv2D(256, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2, 2),
    tf.keras.layers.Conv2D(512, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2, 2),
    tf.keras.layers.Conv2D(1024, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2, 2),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(2048, activation='relu'),
    tf.keras.layers.Dense(7, activation='softmax', name='pred')

])

---

我在您的代码中看到的唯一明显缺陷是您只运行了一个时代。将

epochs

设置为10、20或您有足够耐心的任何数量

可能有帮助的事情：

• 制作更深的网络（添加更多层）
• 增加神经元的数量（对于150x150x3输入形状，您的神经元非常小）

---

我认为你应该考虑添加更多的代码<代码> VAR2D2/代码>层来进行有效的特征提取。try@ShubhamPanchal哇，我做到了，从25%提高到了63%。多亏了阿洛特·博伊，我要试试《时代》，但是你能看看我的EDIT2，看看这是不是你的意思吗？顺便说一下，我只做了1个历元，因为在第一个历元之后，100%AccuCarry上的拟合堆栈。如果你在训练集上有100%的数据，而在测试集上没有，你应该使用训练和验证集。在

fit（）

中，包括

validation\u split=.2

，您将更好地了解您的实际模型性能。如果列车组上有100%，但测试组上有75%，则说明您安装过度