人脸辨识-day28 模型训练

实作完可以侦测人脸的哈尔特徵後，在将所有的训练资料不需要的背景利用人脸侦测的框给剪裁掉。以下图为例

在用模型进行训练，运用Resnet的模型架构来实作人脸辨识，将影像灰阶後放入已建立好的模型Resnet来训练，使用adam来当作优化器，学习率调成0.007(需要时要一一尝试)。

resnet_model = resnet_network((x, x, 1 ))
adam = tf.keras.optimizers.Adam(learning_rate=0.007)
model.compile(optimizer="adam", loss=mse, metrics=["mae", "acc"])

learning rate是模型学习训练级的速度，learning rate越大训练的越快，反之则越慢，因为Resnet的架构已经很深所以学习率需要调小一些，才较不容易overfitting，损失函数使用mse，但是自己定义的mse，才可以在训练时因为资料不平均的情况，要多训练已知者(Anchor)。

def mse_pred(y_true, y_pred,a1=0.1,a2=0.9):

    E1=tf.where(tf.equal(y_true, 1), K.mean(K.square(y_pred-y_true), axis=-1), 0)
    E2=tf.where(tf.equal(y_true, 0), K.mean(K.square(y_pred-y_true), axis=-1), 0)
    total_loss=E1*a1+E2*a2

return total

在训练时也要注意准确度是否有慢慢上升，如果训练资料够多，可以将资料分为训练集和验证集，利用验证集的准确度较可避免模型学习训练集学习太好，导致验证集的准确度随着epoch的增加反而下降。