基于Python的卷積神經(jīng)網(wǎng)絡模型分析與構建

田凌燕

（重慶工商大學派斯學院，重慶 401520）

在諸多神經(jīng)網(wǎng)絡模型中，卷積神經(jīng)網(wǎng)絡作為一種多層非線性結構模型，有著強大的特征表達能力以及對復雜函數(shù)的建模能力，在現(xiàn)今如圖像處理、語音處理等領域中得到了廣泛運用[1]。因此，對基于Python的卷積神經(jīng)網(wǎng)絡模型進行分析研究，將有著極為重要的現(xiàn)實意義。

1 卷積神經(jīng)網(wǎng)絡模型分析

1.1 卷積神經(jīng)網(wǎng)絡及模型

卷積神經(jīng)網(wǎng)絡是一類包涵卷積計算且具有深度結果的前饋神經(jīng)網(wǎng)絡，是當今機器深度學習領域中的而代表算法之一。在實際運用過程中，卷積神經(jīng)網(wǎng)絡將表現(xiàn)出良好的能力，即能夠按照階層結果對所有輸入信息進行平移不變分類，因此，卷積神經(jīng)網(wǎng)絡又被稱之為平移不變?nèi)斯ど窠?jīng)網(wǎng)絡[2]。

1.2 卷積神經(jīng)網(wǎng)絡數(shù)字模型

卷積神經(jīng)網(wǎng)絡作為當今神經(jīng)網(wǎng)絡的一種，同樣具備神經(jīng)網(wǎng)絡的一定特點。例如神經(jīng)網(wǎng)絡通常是由多個神經(jīng)元（感知器）所構成全連接網(wǎng)絡，在整個全連接網(wǎng)絡中，每個神經(jīng)元都可以與一個非線性函數(shù)共同構建激活函數(shù)，該激活函數(shù)具有擬合非線性，其與前一層之間的層次便是卷積神經(jīng)網(wǎng)絡中的全連接層[3]。

卷積神經(jīng)網(wǎng)絡結構中，C1和C2代表著卷積層、S1和S2代表著池化層，剩余的兩層則是代表著全連接層和輸出層，如圖1所示。可知，每（n-m+1）×（x-m+1）個卷積神經(jīng)網(wǎng)絡都會擁有不止一個卷積層、池化層以及全連接層，但卻只有一個輸出層，在實際訓練過程中，相鄰層的神經(jīng)元之間可以實現(xiàn)權值共享。

圖1 卷積神經(jīng)網(wǎng)絡結構

在訓練過程中，卷積神經(jīng)網(wǎng)絡主要會經(jīng)歷3個流程，即卷積、池化以及全連接。根據(jù)實際訓練所需，整個卷積神經(jīng)網(wǎng)絡將會進行前向傳播和反向傳播[4]。在前向傳播過程中，假定輸入了N×N大小的矩陣，并且每個矩陣的卷積核為ω，卷積核大小為m×m，由此可以推導出卷積層的實際輸出大小為：

進而可以推導出卷積層的輸入為：

在池化層中，假定池化層的區(qū)域為（k×s），結合上文所推導出的卷積層實際輸出大小，便可以推導出池化層的實際大小為：

在反向傳播過程中，卷積神經(jīng)網(wǎng)絡的權值計算公式如下：

假設n為卷積神經(jīng)網(wǎng)絡的實際層數(shù)，為L1為輸入層，而L2—Ln-1為卷積神經(jīng)網(wǎng)絡的隱含層，Ln為輸出層。那么LNl便可以視作為卷積神經(jīng)網(wǎng)絡中第l層的神經(jīng)元數(shù)量；則是卷積神經(jīng)網(wǎng)絡第l-1層的卷積核，則是卷積神經(jīng)網(wǎng)絡第l層的第i個神經(jīng)單元的偏置；至于卷積神經(jīng)網(wǎng)絡的第l層的第i個神經(jīng)元輸入則由表示；卷積層的輸入層為則表示輸入值，那么卷積神經(jīng)網(wǎng)絡的計算過程可以推導為：

由此可知，卷積神經(jīng)網(wǎng)絡的實際算法如下：

Input：訓練集X={X1,X2,...,XN},n

Output：net={LN1,LN2,...,LNn}，參數(shù)及結果

參數(shù)初始化

For i=1,......, epochs

Forward backpropagation

Backward backpropagation

End For

最終輸出最優(yōu)卷積神經(jīng)網(wǎng)絡結構及其參數(shù)結果。

2 基于Python的人臉識別卷積神經(jīng)網(wǎng)絡模型方案

2.1 方案框架

（1）準備階段：采集人臉圖像，用于后續(xù)的人臉識別卷積神經(jīng)網(wǎng)絡模型訓練。（2）圖片信息代碼化：將原本的人臉圖像轉化為二進制代碼信息，方便計算機進行識別和處理。（3）定義函數(shù)：定義圖片處理訓練過程中所使用的諸多函數(shù)。（4）生成采樣集：自行生成池化采樣集，完成池化采樣活動。（5）定義卷積神經(jīng)網(wǎng)絡結構：合理定義選擇卷積神經(jīng)網(wǎng)絡結構。（6）訓練樣本集：優(yōu)化訓練集圖片，并完成對樣本集的訓練。（7）人臉識別：利用系統(tǒng)對人臉進行識別測試。

2.2 方案實現(xiàn)

2.2.1 圖片信息代碼化

假定人臉圖片的實際像素大小為x×y，將圖片的屬性信息進行輸入，并根據(jù)圖片的屬性得到圖像的實際像素大小[5]。假定其最多包含有6個字母，那么在將字母進行數(shù)字化表示的時候，便需要將字母轉化為計算機能夠識別的二進制代碼，如為a：10000000000000000000000000；b：01000000000000000000000000……等，以此類推，便可以將所有字母轉化為二進制代表。

2.2.2 定義函數(shù)

首先，在文本訓練集中提出圖片所對應的函數(shù)；其次，對圖片所對應的函數(shù)進行預處理，主要是將訓練集圖片進行重命名；最后，卷積神經(jīng)網(wǎng)絡模型將會以矩陣的形式返回圖片。為能夠有效提高卷積神經(jīng)網(wǎng)絡模型的訓練效果，需要將圖片名稱定義為向量函數(shù)，之后再定義一個向量函數(shù)，將圖片名稱所轉化為的向量函數(shù)還原為圖片名稱。

2.2.3 生成采樣集

先通過上文定義的函數(shù)，圖片的名稱將會轉化為向量函數(shù)，后再定義出一個get_name_and_image()函數(shù)獲取圖片，通過此函數(shù)，圖片將會被以含布爾值的矩陣形式進行返回，之后通過1×(image.flatten())將圖片所返回的矩陣轉換成為一行x×y列的矩陣，在該矩陣中，將不會蘊含其他參數(shù)，所有內(nèi)容均將會以0和1的二進制形式進行體現(xiàn)；最后，卷積神經(jīng)網(wǎng)絡模型將會自行生成池化采樣集，完成池化采樣活動。

2.2.4 定義卷積神經(jīng)網(wǎng)絡結構

對于卷積神經(jīng)網(wǎng)絡結構的定義，針對不同的機器學習內(nèi)容，其所需要定義選擇的方案也不盡相同。文章所需要進行的及其學習內(nèi)容為圖片，所以在綜合考慮以后，最終選擇了“3+1”的卷積神經(jīng)網(wǎng)絡結構形式，即3個卷積層加上一個全連接層來定義卷積神經(jīng)網(wǎng)絡的網(wǎng)絡結構。另外，文章定位原始圖片在全連接層中，還會經(jīng)過3層池化層，使其實際像素大小被壓縮23倍，即原x×y像素的圖片將會被壓縮成為（x/8）×（y/8）大小的訓練集圖片。

2.2.5 訓練樣本集

在完成結構設計以后，便可以對人臉圖片所轉化成分的訓練集進行實際樣本集訓練了。首先，通過交叉熵函數(shù)（Cross Entropy）sigmoid_cross_entropy_with_ logits()來直接比較訓練樣本集中Loss值的實際大小，并在比較過程中，使用adam優(yōu)化器來對訓練樣本集進行全面優(yōu)化，提高樣本集訓練效果。其次，在樣本集訓練過程中，需要確保每一步loss值都要經(jīng)過輸出的過程，在訓練過程中，每100步的訓練準確率也要被輸出。

2.2.6 人臉識別

在完成上述工作以后，便可以打開攝像頭，調(diào)用攝像頭自行捕捉人臉圖像，在捕捉到人臉圖像后，系統(tǒng)將會自行對人臉圖像進行拍攝，并通過上述的樣本訓練過程進行實際圖片訓練工作，測試卷積神經(jīng)網(wǎng)絡模型的構建效果。

3 結語

相比較其他類型的人臉識別方式來說，基于Python的人臉識別卷積神經(jīng)網(wǎng)絡模型具有學習能力，所以識別精準度將會隨著識別人臉的數(shù)量增多而提升。不過，無論如何完善和學習，當今的計算機也無法達成100%的識別精準性，為此，還需要對卷積神經(jīng)網(wǎng)絡模型實行進一步完善。