进行人脸识别时构造卷积神经网络进行训练，并使用学习算法提升模型学习性能，利用测试集查看模型效果并进行可视化。

在进行人脸识别时，卷积神经网络（Convolutional Neural Network，CNN）是一种常用的深度学习模型。以下是一些构建CNN进行人脸识别的步骤：

1. 数据集准备：首先，需要构建一个包含正面人脸和非人脸图像的数据集，并将其分为训练集和测试集。

2. 构建CNN模型：构建一个包含卷积层、池化层和全连接层的CNN模型。其中，卷积层用于提取图像特征，池化层用于降低图像分辨率，全连接层用于进行最终分类。

3. 训练CNN模型：使用训练集对CNN模型进行训练，可以使用反向传播算法进行优化。可以使用一些常见的优化算法，例如随机梯度下降（SGD）和Adam优化器。

4. 调整CNN模型参数：可以通过调整CNN模型的超参数，例如卷积核大小、滤波器数量和学习率等来提高模型的性能。

5. 评估CNN模型性能：使用测试集对CNN模型进行评估，可以使用准确率、召回率和F1得分等指标来评估模型的性能。

6. 可视化CNN模型：可以使用可视化工具来可视化CNN模型中的卷积层和池化层的输出，以及每个层的权重和偏差。

总之，构建CNN进行人脸识别需要进行数据集准备、模型构建、模型训练、模型参数调整、模型评估和可视化等步骤。这些步骤可以帮助我们构建高效准确的人脸识别模型。