《青你2》中總共召集了109位選手，他們每個人又會有很多風格各異的照片，如何把他們從照片裡準確認出也是一個難題，今天就讓AI人臉識別來幫你。
任務簡介
圖像分類是計算機視覺的重要領域，它的目標是將圖像分類到預定義的標籤。
近期，許多研究者提出很多不同種類的神經網絡，並且極大的提升了分類算法的性能。
本文以自己創建的數據集：青春有你2中選手（當然就是我們上一期的爬蟲成果啦）識別為例子，並且利用PaddleHub進行圖像分類任務。
Step1
基礎工作、導入python包
如果使用gpu則去掉指令前的#
Step2
加載預訓練模型。
接下來我們要在PaddleHub中選擇合適的預訓練模型來Finetune，由於是圖像分類任務，因此我們使用經典的ResNet-50作為預訓練模型。PaddleHub提供了豐富的圖像分類預訓練模型，包括了最新的神經網絡架構搜索類的PNASNet，我們推薦嘗試不同的預訓練模型來獲得更好的性能。
Step3
數據準備。
接著需要加載圖片數據集。我們使用自定義的數據進行體驗。
在自定義數據集中，數據準備需要進行以下工作：
為了加快速度，這裡只以5個人為案例，真實情況中把所有人都放進模型訓練也是完全可以的。
Step4
生成數據讀取器。
接著生成一個圖像分類的reader，reader負責將dataset的數據進行預處理，接著以特定格式組織並輸入給模型進行訓練。
當我們生成一個圖像分類的reader時，需要指定輸入圖片的大小。
Step5
配置策略。
在進行Finetune前，我們可以設置一些運行時的配置，例如如下代碼中的配置，表示：
use_cuda：設置為False表示使用CPU進行訓練。如果您本機支持GPU，且安裝的是GPU版本的PaddlePaddle，我們建議您將這個選項設置為True；
epoch：迭代輪數；
batch_size：每次訓練的時候，給模型輸入的每批數據大小為32，模型訓練時能夠並行處理批數據，因此batch_size越大，訓練的效率越高，但是同時帶來了內存的負荷，過大的batch_size可能導致內存不足而無法訓練，因此選擇一個合適的batch_size是很重要的一步；
log_interval：每隔10 step打印一次訓練日誌；
eval_interval：每隔50 step在驗證集上進行一次性能評估；
checkpoint_dir：將訓練的參數和數據保存到cv_finetune_turtorial_demo目錄中；
strategy：使用DefaultFinetuneStrategy策略進行finetune；
Step6
組建Finetune Task.
有了合適的預訓練模型和準備要遷移的數據集後，我們開始組建一個Task。
由於該數據設置是一個二分類的任務，而我們下載的分類module是在ImageNet數據集上訓練的千分類模型，所以我們需要對模型進行簡單的微調，把模型改造為一個二分類模型：
1.獲取module的上下文環境，包括輸入和輸出的變量，以及Paddle Program；
2.從輸出變量中找到特徵圖提取層feature_map；
3.在feature_map後面接入一個全連接層，生成Task；
Step7
開始Finetune。
我們選擇finetune_and_eval接口來進行模型訓練，這個接口在finetune的過程中，會週期性的進行模型效果的評估，以便我們瞭解整個訓練過程的性能變化。
Step8
預測。
當Finetune完成後，我們使用模型來進行預測，先通過以上命令來獲取測試的圖片.
預測結果如下，可以發現全部正確，快來動手嘗試一下吧
THE
END
這次的小項目到這裡就結束了，希望你也能自己動手嘗試一下，有問題歡迎來互相交流。
閱讀更多 Python趣分享 的文章
