olivettifaces人脸识别之思考

今天司轩斌老师带我们进行keras参数调整的一些步骤，因为是新手，没有一点调参的经验，所以就把一些参数的思考记录下来，防止做的笔记作废了。
代码最简单olivettifaces人脸识别参数调优也可以直接复制https://blog.csdn.net/zzZ_CMing/article/details/81127909

结尾加上如下代码可以进行模型绘制和网络结构绘制，然后loss的绘制可以自行百度

    model.summary()plot_model(model, to_file='model.png')SVG(model_to_dot(model).create(prog='dot', format='svg'))

一、初始化

发现准确率已经接近1了，如果准确率很低说明数据不够，可以不用看代码，从数据方面着手，如果准确率很高的话，说明只有个别不对，那就会去分析，发现我不像我了，反而通过特征提取我更像别人了，那么就是特征提取的不够，可以增大卷积核维数，或者增大卷积核个数，都是可以的

发现不行，并没有变化，模型可能特征多了，那就想办法降低特征，有两个办法，一个是Dense的输出神经元个数减少

#Dense的解释
dense表示分类的结果，通过flattern将数据变为1维时，
若分类有500个，就是通过数据的label标签进行学习，不断的更改w和b更改，
让输出结果和label更加接近，
所以第一次500维，第二次40个的作用可以类似于降低特征，
但是dense并不代表特征会减少，只是分类的东西少了，没有那么细致

，还有一个是加入池化层

一般图片很小的时候是不会轻易加入池化的，因为信息密度很够，每一部分都很重要，一池化可能把一个眼睛一个嘴巴扔掉了，扔掉很多信息，所以不到逼不得很小的图不加池化

还有一个是dropout，一般dropout是解决过拟合的，但是用在这边也是可以的

step2：将Dense(1000)变为Dense(500)

发现准确率变为0.975,说明刚刚确实是特征提取的多了，所以再加一层池化，，发现准确率变为1

step3：直接变Dense为200

既然发现这个网络是因为特征提取多了，那就直接降dense或者是变池化层，或者变化卷积核维数

卷积核维数对比

理论上来说卷积核维数越大提取的特征会越大，而卷积核越小其提取的特征相对少一点，但是这边发现当7x7的时候过学习了，5x5和3x3差不多，而1x1涉及到激活函数，这里不加赘述。但是有一个发现，本来用的是epoch=40，发现在15左右就基本上平稳，后面loss误差就为0，所以后面的epoch算是浪费了，而且自己在测试的时候用epoch=15时就不可以，而在epoch=16时准确率就为1

为什么用sigmoid<relu<tanh
卷积出来的值很大说明和卷积核很像，小就不像，sigmoid特别像会投票1，非常不像投票0弃权,；relu大于0则投正票，负数就弃权；tanh正数则投正票，负数投反对票，基类函数根据我和别人的不一样去区分。

网络结构

当dense为1000的时候原来我的网络是8个网络，每个网络是40个样本，现在相当于每个人第一列，那就相当于40个人的第一列就是40个样本拿出来算作网络的第一层，第二列为第二个网络，最后组成了8个网络，但是发现最后的准确率还是0.975，就想是不是每个网络认识的人多了呢，导致网络记忆不好的话，学习的次数不好所以就选择了epoch=100，发现准确率还是1.

方法四：两个池化+Adam优化算法

其实sgd算法确实不如Adam，关于为什么Adam好，那还是去百度吧，

思考四：batch_size:每次迭代使用多少个样本

若batch_size=1，代表有320个网络（因为400个样本，320个为训练样本，40个为val test样本，40个为测试样本），每个网络只负责一张图，所以特征只是当前这个图的特征，所以效果不太好，若果batch_size为320，代表只有一个网络，要记很多张图，那可能就要多个epoch了。