性别分类对于人机交互应用和计算机辅助生理或心理分析等商业领域的许多应用至关重要，因为它包含有关男女特征差异的广泛信息。
本次案例收集了接近二十万的男女数据集图片。
文章目录
性别分类简介使用 Python 进行性别分类的机器学习项目导入相关库和数据模型搭建和训练模型测试预测性别分类简介
性别分类越来越受到关注，因为性别包含有关男性和女性社会活动的丰富而独特的信息。性别分类旨在根据区分男性气质和女性气质的特征来识别一个人的性别。
在人工智能领域，性别分类被认为是模式识别方法最重要的应用之一。性别分类研究的进展带来了许多潜在的应用。
例如，具有性别识别功能的计算机系统在基础和应用研究领域有着广泛的应用，包括人机交互、安全工业和监控、人口统计研究、商业开发、移动应用和视频游戏。
此外，还提出了多种机制来提高性别识别在准确性和效率方面的表现。
使用 Python 进行性别分类的机器学习项目
导入相关库和数据
import osfrom tensorflow.keras import layersfrom tensorflow.keras import Modelfrom tensorflow.keras.preprocessing.image import ImageDataGeneratorimport tensorflow as tf
现在让我们读取并导入我们将用于训练神经网络模型的图像数据集：
# ImageDataGenerator 函数# （1）图片生成器，负责生成一个批次一个批次的图片，以生成器的形式给模型训练；# （2）对每一个批次的训练图片，适时地进行数据增强处理（data augmentation）；# 训练train_datagen = ImageDataGenerator(rescale = 1./255, # 设置放缩因子为1/255，把像素值放缩到0和1之间有利于模型的收敛，避免神经元“死亡”rotation_range=40, #旋转范围width_shift_range=0.2, #水平平移范围height_shift_range=0.2, #垂直平移范围shear_range=0.2, # 透视变换的范围zoom_range=0.2, #缩放范围，参数大于0小于1时，执行的是放大操作，当参数大于1时，执行的是缩小操作。horizontal_flip=True, #水平不反转fill_mode='nearest') #填充模式test_datagen = ImageDataGenerator( rescale = 1.0/255)# flow_from_directory()从路径生成增强数据,和flow方法相比最大的优点在于不用一次将所有的数据读入内存当中,这样减小内存压力，# 这样不会发生OOM，血的教训train_generator = train_datagen.flow_from_directory("Dataset/Train/",batch_size =256 ,class_mode = 'binary', target_size = (64, 64))# 验证数据集validation_generator = test_datagen.flow_from_directory( "Dataset/Validation/",batch_size = 256,class_mode = 'binary', target_size = (64, 64))
如下：
Found 160000 images belonging to 2 classes.Found 22598 images belonging to 2 classes.
模型搭建和训练
现在我们需要使用 Python 训练和编译用于性别分类任务的神经网络模型：
from tensorflow.keras.optimizers import Adam # 优化器adam# Sequential()方法是一个容器，描述了神经网络的网络结构，在Sequential()的输入参数中描述从输入层到输出层的网络结构# Sequential([网络结构]) '''tf.keras.layers.Conv2D卷积层tf.keras.layers.Conv2D(filter = 卷积核个数，kernel_size = 卷积核尺寸， strides = 卷积步长, activation = "激活函数“，padding = ”valid“ or "same")'''model = tf.keras.models.Sequential([# 1st convtf.keras.layers.Conv2D(96, (11,11),strides=(4,4), activation='relu', input_shape=(64, 64, 3)),# BatchNormalization是BN算法tf.keras.layers.BatchNormalization(),# 用于2D输入的最大池化层(例如图像).tf.keras.layers.MaxPooling2D(2, strides=(2,2)),# 2nd convtf.keras.layers.Conv2D(256, (11,11),strides=(1,1), activation='relu',padding="same"),tf.keras.layers.BatchNormalization(),# 3rd convtf.keras.layers.Conv2D(384, (3,3),strides=(1,1), activation='relu',padding="same"),tf.keras.layers.BatchNormalization(),# 4th convtf.keras.layers.Conv2D(384, (3,3),strides=(1,1), activation='relu',padding="same"),tf.keras.layers.BatchNormalization(),# 5th Convtf.keras.layers.Conv2D(256, (3, 3), strides=(1, 1), activation='relu',padding="same"),# 批量标准化层应用了一种转换，使得数据的均值趋于0，标准差趋于1。tf.keras.layers.BatchNormalization(),tf.keras.layers.MaxPooling2D(2, strides=(2, 2)),# To Flatten layer# 使输入展平，不会影响批处理的大小tf.keras.layers.Flatten(),# To FC layer 1# 设置4096 神经元tf.keras.layers.Dense(4096, activation='relu'),# 防止过拟合tf.keras.layers.Dropout(0.5),#To FC layer 2tf.keras.layers.Dense(4096, activation='relu'),tf.keras.layers.Dropout(0.5),tf.keras.layers.Dense(1, activation='sigmoid')])# 模型编译，配置训练方法pile(optimizer=Adam(lr=0.001), # 使用Adam优化器，学习率为0.001loss='binary_crossentropy', #配置损失函数metrics=['accuracy'] #标注网络评价指标)# 模型训练hist = model.fit_generator(generator=train_generator, # 训练数据生成器validation_data=validation_generator, # 验证数据生成器steps_per_epoch=256, # validation_steps=256,epochs=50) #迭代次数epochs为50
模型测试
在测试这个模型之前，让我们先看看模型在准确性方面的表现：
import matplotlib.pyplot as pltacc = hist.history['accuracy'] # accval_acc = hist.history['val_accuracy'] # 验证accloss = hist.history['loss'] # lossval_loss = hist.history['val_loss'] # 验证losssepochs = range(len(acc))plt.plot(epochs, acc, 'r', label='Training accuracy') # 每一次迭代训练准确度plt.plot(epochs, val_acc, 'b', label='Validation accuracy') # # 每一次迭代验证准确度plt.title('Training and validation accuracy') # 训练和验证准度度plt.legend(loc=0)plt.figure()plt.show()
如下：
预测
import numpy as npfrom keras.preprocessing import imagepath = "Dataset/Test/Female/160001.jpg" # 读取一张图片来测试img = image.load_img(path, target_size=(64, 64)) # 加载x = image.img_to_array(img)x = np.expand_dims(x, axis=0)images = np.vstack([x])classes = model.predict(images, batch_size=1) # 预测print(classes[0])if classes[0]>0.5:print("is a man")else:print( " is a female")plt.imshow(img)
如下：
[0.]is a female
如果觉得《深度学习项目：男女性别识别【附完整源码】》对你有帮助，请点赞、收藏，并留下你的观点哦！
