构建卷积神经网络的人脸识别代码

构建卷积神经网络(CNN)用于人脸识别通常涉及几个关键步骤：

1. **数据准备**：收集人脸图片作为训练集，并对它们进行预处理，如归一化、裁剪和大小标准化。常用的数据集中有LFW、CelebA等。

2. **搭建CNN模型**：选择框架如TensorFlow或PyTorch，建立一个包含卷积层(Convolutional Layers)、池化层(MaxPooling)、激活函数(ReLU、Sigmoid等)和全连接层(Dense Layers)的结构。比如VGGFace、ResNet或FaceNet等架构可以作为基础。

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

model = Sequential([
    Conv2D(64, (3, 3), activation='relu', input_shape=(img_height, img_width, channels)),
    MaxPooling2D((2, 2)),
    Conv2D(128, (3, 3), activation='relu'),
    MaxPooling2D((2, 2)),
    Flatten(),
    Dense(units=128, activation='relu'),
    Dense(num_classes, activation='softmax')  # num_classes是人脸类别数
])

3. **编译模型**：设置损失函数（如分类交叉熵），优化器（如Adam）和评估指标（如accuracy）。

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

4. **训练模型**：将预处理后的图像输入模型进行训练，通过迭代调整权重。

history = model.fit(train_dataset, epochs=num_epochs, validation_data=val_dataset)

5. **评估和测试**：用测试数据集验证模型性能，并可能对新来的图片进行预测。

6. **保存模型**：模型训练完成后，保存模型以便于后续使用。