Pytorch实现人脸多属性识别

数据来源：CalebA人脸数据集（）是香港中文大学的开放数据，包含10,177个名人身份的202,599张人脸图片，并且都做好了特征标记，这对人脸相关的训练是非常好用的数据集。共计40个特征，具体是哪些特征，可以去官网查询。话不多说，直接开始流程。

整个流程可以分为大致以下几个步骤：

1.图片预处理

2.构建网络

3.训练

4.测试

5.优化

一。图片加载，以为源数据没有经过处理，我们要重写torch.utils.data.Dataloader()处理图片，然后才能将图片用于加载。代码如下：

图片增强、归一化处理和加载：

构建网络：我使用的网络结构是每种属性使用3层卷积加上3层fc。网络结构比较简单，导致准确率不会有太高的表现，如果有兴趣可以做下优化，文末有优化的思路供大家讨论。好了，先上代码：

接下来就可以开始训练网络了，定义优化器的时候可以设置一下weight_decay=1e-8，也可以在一定程度上防止过拟合。

测试网络：和训练类似，只是不用优化和做反向传播。

总结：我因为是笔记本电脑，没有GPU，所以只给了大约5000个数据用于训练（即使是5000个数据我的电脑也跑了2天才跑完50个epoch），1000个数据用于测试。测试的准确率在90%左右。有条件的同学可以做些优化，下面提供一些可以优化的方面：

1.图片增强，我因为电脑不给力，无法处理较大的数据，所以将原始图片缩放到40*40，然后截取了32*32作为输入，如果有GPU等条件，可以考虑128*128输入

2.最开始没加Dropout()的时候出现了过拟合的情况，当然这也和训练集较小有关系，建议训练集给到60000个样本。上述提到的Dropout()多尝试几个位置，我是放在了最后一层输出之前。期待大家尝试之后分享一下结果。

3.我现在每种属性都是使用相同的网络，但是这种网络有可能不是对于每种属性都是最优的选择，可以针对每一种属性单独写一层网络。例如：某个属性使用全fc层就可以达到很高的准确率，某个属性或许需要4层卷积+2层fc可以达到很好的效果，这种情况只有靠多尝试，算法什么的可能并不能给出哪种才是最适合的网络模型。建议输出每种属性的准确率，然后针对准确率较低的属性做相应的网络优化。

4.多准备几块GPU做训练和测试吧，没GPU真不给力。希望有小伙伴在这个网络的基础上能达到更高的准确率。

附上整体代码如下：