Tensorflow 基于深度学习的性别检测和年龄分类

我正在做一个项目，目标是检测性别并对图像进行分类。我做了一些研究，发现了一篇由Gil Levi和Tal Hassnar撰写的研究论文：《年龄和性别卷积神经网络分类》。我试图复制他们创建的深层网络，最初在Caffe，在Keras。但问题是，该模型的准确率高达50%（基本上是随机抛硬币）。我做错了什么。非常感谢您的帮助。 顺便说一句，我使用adience数据集作为原始文件。 PS：我已经完全移除了LRN层，因为它们在Keras中不可用。（我认为他们的缺席不应该影响模型的准确性） 这是代码

#导入
导入操作系统
将numpy作为np导入
从PIL导入图像
进口泡菜
从keras.models导入顺序
从keras.callbacks导入模型检查点
从keras.layers导入稠密、Conv2D、展平、MaxPoolig2D、Dropout、AveragePoolig2D
从keras导入初始值设定项
来自keras导入优化器
#创建模型对象
性别_模型=顺序（）
#向模型中添加图层
#第一卷积层
添加（Conv2D（96，内核大小=（7,7），激活=（relu），步幅=4，输入形状=（227,3），
内核初始化器=初始化器。随机正常（stddev=0.01），使用偏差=1，
偏差（初始值设定项='0'，数据格式='channels\u last'））
添加（MaxPoolig2D（池大小=3，步幅=2））
添加（Conv2D（256，内核大小=（5,5），激活='relu'，步幅=1，填充='same'，输入形状=（27,27,96），
内核初始化器=初始化器。随机正常（stddev=0.01），使用偏差=1，
偏差（初始值设定项为1，数据格式为通道最后一个）
添加（MaxPoolig2D（池大小=3，步幅=2））
#第三卷积层
添加（Conv2D（384，内核大小=（3,3），激活='relu'，步幅=1，填充='same'，输入形状=（13,13256），
内核初始化器=初始化器。随机正常（stddev=0.01），使用偏差=1，
偏差（初始值设定项='0'，数据格式='channels\u last'））
添加（MaxPoolig2D（池大小=3，步幅=2））
#现在我们将最后一个卷积层的输出展平
性别_model.add（展平（））
#现在我们连接完全连接的层
性别模型。添加（密集型（512，激活=relu'，使用偏差=1，内核初始化器=初始化器。随机正常（stddev=0.005），
偏差（初始值设定项（'Ones'））
性别(增加)(辍学(0.5))
#连接另一个完全连接的层
性别模型。添加（密集型（512，激活=relu'，使用偏差=1，内核初始化器=初始化器。随机正常（stddev=0.005），
偏差（初始值设定项（'Ones'））
性别(增加)(辍学(0.5))
#连接最后一层
性别模型。添加（密集型（2，激活=softmax），使用偏差=1，内核初始化器=初始化器。随机正常（STDEV=0.01），
偏差（初始值设定项='0'））
#编译模型
sgd_optimizer=optimizers.sgd（lr=0.0001，衰减=1e-7，动量=0.0，nesterov=False）
gender_model.compile（优化器=sgd_优化器，loss='categorical_crossentropy'，metrics=['accurity']）
性别模型摘要（）
#对加载的数据进行分区
X=np.load（“/content/drive/My drive/X.npy”）
y=np.load（“/content/drive/My drive/y_m.npy”）
X_列车=X[：15000]
y_列车=y[：15000]
X_val=X[15000:]
y_val=y[15000:]
##创建chkpt路径
chkpt_path='weights improvement-{epoch:02d}--{val_acc:.2f}.hdf5'
checkpoint=ModelCheckpoint（chkpt\u路径，monitor='val\u acc'，verbose=1，save\u best\u only=True，mode='max'）
回调列表=[检查点]
#最后训练模型
性别模型。适合（X型列车、y型列车、，
批次尺寸=50，
纪元=100，
验证数据=（X值，y值），
洗牌=1，
回调=回调列表
)

我的方法有问题。我没有剪脸。因此，该模型无法理解每张图像中的随机背景。

python的deepface软件包提供了现成的年龄和性别预测功能

!pip install deepface
from deepface import DeepFace
obj = DeepFace.analyze("img1.jpg", actions = ["age", "gender", "emotion", "race"])
print(obj["age"], " years old ", obj["gender"])

---

它还可以分析情感和种族。您可以删除不必要的操作。

这可能发生在加权数据集中；您的数据集中是否存在严重的不平衡？没有，没有显著的权重差异。。