[CNN] 性別偵測

這邊算是[CNN template]利用自己準備的圖集進行訓練與預測這邊的延伸，主要我想測試這個演算的方式的極限，所以這邊測試我使用非常雜亂的圖片集，這邊的圖片集是透過google搜索關鍵字所製作而成，故每張訓練圖片不但大小類型都有一定上的差距，甚至包含錯誤。

男性圖集

[性別影像辨識],透過雜亂網路圖集架構

男性圖集關鍵字為：male , man , boy

女性圖集關鍵字為：lady , woman , girl

現在來介紹一下該專案的結構。

img資料夾裡面包含了從google上下載的圖集，主要是備存。

net則是用來儲存機器學習後的訓練結果，外部系統可以透過導入此結果來計算。

Test與TrainingData兩個資料夾則是放訓練與測試的圖片資料夾，將男女圖像分別存放至兩個資料夾，男性資料夾命名為 “0”，女性資料夾命名為”1″，若要增加訓練結果的種類的話，只需依照資料夾數字依序建立（3,4,5,….），並調整config.py的結果種類數量即可。

Web_pic則是從網路搜尋中下載圖片的程式集，有興趣的話可以轉至這邊查看。

然後這邊我為了方便調整參數，故整理出一個config.py來方便測試。

大致上可調整的部分有：

1. 圖片的長寬設定：放在訓練與測試的圖片，無論是哪種大小，都會依照這邊的設定來調整長寬。
2. 結果種類數量：這次性別偵測有兩種結果，故設2。(如果是手寫數字則要設成10，因為有0,1,2,3,4,5,6,7,8,9以上共十種結果)
3. 每次所抓取特徵範圍的大小：pitch則是每次抓取圖片特真的範圍，這邊是3*3。
4. 單次訓練圖片數：建議不要低於十張
5. 訓練完整度：在訓練結果達到此程度前會不斷訓練，請設數值0 – 1。
6. 最大訓練次數：若超過此次數時，無論結果如何都會結束訓練。

執行步驟：

1.python traing.py

2.python Demo.py

結語：

雖然髒污的訓練與測試圖集大大影響的訓練結果，但是辨識成功率依然有六成，可以證明本系統是可以完整執行且具有彈性，且在真實架設系統時並不會使用如此髒污的訓練圖片集，也會有一定侷限測試圖集的變化程度。

這次的code