Я хотел бы рассказать о модели, над которой я работаю. Для этого я должен разобрать и определить значение всех слов в этом заголовке.
Выражение лица
Результат сокращения и расслабления мышц лица определенным образом для передачи подсознательных или сознательных сообщений, относящихся к эмоциональному состоянию человека.
Признание
Акт осознания и восприятия человека, места, события или чего-либо еще, что может быть воспринято чувствами.
Модель
В машинном обучении модель представляет собой набор алгоритмов, кода и статистики, реализованных с целью адаптации к набору данных. Модель получает огромные объемы данных и должна «узнавать» о данных, не полагаясь на данные, используемые для ее обучения. Хорошая модель может точно взаимодействовать с новой информацией, представленной ей после обучения.
Модели распознавания лиц обучаются с помощью двух папок. Оба будут содержать огромное количество изображений (могут быть помечены или нет - это зависит). Одна папка будет использоваться для обучения модели, а другая будет использоваться для проверки точности, отзыва и точности модели при столкновении с новыми данными за пределами ее обучающего набора данных.
Перед созданием модели распознавания лиц необходимо выполнить несколько шагов для подготовки к реализации. Во-первых, вам нужно импортировать необходимые библиотеки с предустановленными методами, чтобы помочь в обработке данных. TensorFlow и Keras очень популярны в этой области. Когда у вас есть необходимые инструменты, вы определяете размер обучающего и тестового набора данных. Затем вы масштабируете данные, чтобы они были как можно более однородными. Примерами этого могут быть обеспечение того, чтобы все изображения были монохромными, и масштабирование изображений до одинакового формата размера.
Затем вы создаете слои в инфраструктуре, называемой сверточной нейронной сетью (CNN). В двух словах, CNN разбивает изображения на векторы (одномерные сегменты), анализирует их и извлекает информацию о любых потенциальных закономерностях. После настройки нескольких слоев с настраиваемыми гиперпараметрами модель проходит несколько эпох обучения. После завершения начинается настоящее испытание.
Затем эта обученная модель подвергается воздействию новых данных, которых она никогда раньше не видела, — тестового набора данных. На основании этих результатов становится заметной эффективность модели. Стоит отметить, что чем больше глубина и время, запрограммированное моделью на изучение данных, тем выше вероятность того, что называется переоснащением. Переобучение — это проблема в моделях машинного обучения, когда обученная модель воспроизводит результаты, аналогичные данным, что делает ее непригодной для любых новых данных за пределами обучающего набора.
Два наиболее запутанных, но важных этапа этого процесса — масштабирование и настройка параметров модели. Я бы посоветовал потратить много времени на документацию библиотеки в отношении этих двух очень важных шагов в создании успешной модели с использованием сверточной нейронной сети.
