基于Python的卷积神经网络模型分析与构建

田凌燕

（重庆工商大学派斯学院，重庆 401520）

在诸多神经网络模型中，卷积神经网络作为一种多层非线性结构模型，有着强大的特征表达能力以及对复杂函数的建模能力，在现今如图像处理、语音处理等领域中得到了广泛运用[1]。因此，对基于Python的卷积神经网络模型进行分析研究，将有着极为重要的现实意义。

1 卷积神经网络模型分析

1.1 卷积神经网络及模型

卷积神经网络是一类包涵卷积计算且具有深度结果的前馈神经网络，是当今机器深度学习领域中的而代表算法之一。在实际运用过程中，卷积神经网络将表现出良好的能力，即能够按照阶层结果对所有输入信息进行平移不变分类，因此，卷积神经网络又被称之为平移不变人工神经网络[2]。

1.2 卷积神经网络数字模型

卷积神经网络作为当今神经网络的一种，同样具备神经网络的一定特点。例如神经网络通常是由多个神经元（感知器）所构成全连接网络，在整个全连接网络中，每个神经元都可以与一个非线性函数共同构建激活函数，该激活函数具有拟合非线性，其与前一层之间的层次便是卷积神经网络中的全连接层[3]。

卷积神经网络结构中，C1和C2代表着卷积层、S1和S2代表着池化层，剩余的两层则是代表着全连接层和输出层，如图1所示。可知，每（n-m+1）×（x-m+1）个卷积神经网络都会拥有不止一个卷积层、池化层以及全连接层，但却只有一个输出层，在实际训练过程中，相邻层的神经元之间可以实现权值共享。

图1 卷积神经网络结构

在训练过程中，卷积神经网络主要会经历3个流程，即卷积、池化以及全连接。根据实际训练所需，整个卷积神经网络将会进行前向传播和反向传播[4]。在前向传播过程中，假定输入了N×N大小的矩阵，并且每个矩阵的卷积核为ω，卷积核大小为m×m，由此可以推导出卷积层的实际输出大小为：

进而可以推导出卷积层的输入为：

在池化层中，假定池化层的区域为（k×s），结合上文所推导出的卷积层实际输出大小，便可以推导出池化层的实际大小为：

在反向传播过程中，卷积神经网络的权值计算公式如下：

假设n为卷积神经网络的实际层数，为L1为输入层，而L2—Ln-1为卷积神经网络的隐含层，Ln为输出层。那么LNl便可以视作为卷积神经网络中第l层的神经元数量；则是卷积神经网络第l-1层的卷积核，则是卷积神经网络第l层的第i个神经单元的偏置；至于卷积神经网络的第l层的第i个神经元输入则由表示；卷积层的输入层为则表示输入值，那么卷积神经网络的计算过程可以推导为：

由此可知，卷积神经网络的实际算法如下：

Input：训练集X={X1,X2,...,XN},n

Output：net={LN1,LN2,...,LNn}，参数及结果

参数初始化

For i=1,......, epochs

Forward backpropagation

Backward backpropagation

End For

最终输出最优卷积神经网络结构及其参数结果。

2 基于Python的人脸识别卷积神经网络模型方案

2.1 方案框架

（1）准备阶段：采集人脸图像，用于后续的人脸识别卷积神经网络模型训练。（2）图片信息代码化：将原本的人脸图像转化为二进制代码信息，方便计算机进行识别和处理。（3）定义函数：定义图片处理训练过程中所使用的诸多函数。（4）生成采样集：自行生成池化采样集，完成池化采样活动。（5）定义卷积神经网络结构：合理定义选择卷积神经网络结构。（6）训练样本集：优化训练集图片，并完成对样本集的训练。（7）人脸识别：利用系统对人脸进行识别测试。

2.2 方案实现

2.2.1 图片信息代码化

假定人脸图片的实际像素大小为x×y，将图片的属性信息进行输入，并根据图片的属性得到图像的实际像素大小[5]。假定其最多包含有6个字母，那么在将字母进行数字化表示的时候，便需要将字母转化为计算机能够识别的二进制代码，如为a：10000000000000000000000000；b：01000000000000000000000000……等，以此类推，便可以将所有字母转化为二进制代表。

2.2.2 定义函数

首先，在文本训练集中提出图片所对应的函数；其次，对图片所对应的函数进行预处理，主要是将训练集图片进行重命名；最后，卷积神经网络模型将会以矩阵的形式返回图片。为能够有效提高卷积神经网络模型的训练效果，需要将图片名称定义为向量函数，之后再定义一个向量函数，将图片名称所转化为的向量函数还原为图片名称。

2.2.3 生成采样集

先通过上文定义的函数，图片的名称将会转化为向量函数，后再定义出一个get_name_and_image()函数获取图片，通过此函数，图片将会被以含布尔值的矩阵形式进行返回，之后通过1×(image.flatten())将图片所返回的矩阵转换成为一行x×y列的矩阵，在该矩阵中，将不会蕴含其他参数，所有内容均将会以0和1的二进制形式进行体现；最后，卷积神经网络模型将会自行生成池化采样集，完成池化采样活动。

2.2.4 定义卷积神经网络结构

对于卷积神经网络结构的定义，针对不同的机器学习内容，其所需要定义选择的方案也不尽相同。文章所需要进行的及其学习内容为图片，所以在综合考虑以后，最终选择了“3+1”的卷积神经网络结构形式，即3个卷积层加上一个全连接层来定义卷积神经网络的网络结构。另外，文章定位原始图片在全连接层中，还会经过3层池化层，使其实际像素大小被压缩23倍，即原x×y像素的图片将会被压缩成为（x/8）×（y/8）大小的训练集图片。

2.2.5 训练样本集

在完成结构设计以后，便可以对人脸图片所转化成分的训练集进行实际样本集训练了。首先，通过交叉熵函数（Cross Entropy）sigmoid_cross_entropy_with_ logits()来直接比较训练样本集中Loss值的实际大小，并在比较过程中，使用adam优化器来对训练样本集进行全面优化，提高样本集训练效果。其次，在样本集训练过程中，需要确保每一步loss值都要经过输出的过程，在训练过程中，每100步的训练准确率也要被输出。

2.2.6 人脸识别

在完成上述工作以后，便可以打开摄像头，调用摄像头自行捕捉人脸图像，在捕捉到人脸图像后，系统将会自行对人脸图像进行拍摄，并通过上述的样本训练过程进行实际图片训练工作，测试卷积神经网络模型的构建效果。

3 结语

相比较其他类型的人脸识别方式来说，基于Python的人脸识别卷积神经网络模型具有学习能力，所以识别精准度将会随着识别人脸的数量增多而提升。不过，无论如何完善和学习，当今的计算机也无法达成100%的识别精准性，为此，还需要对卷积神经网络模型实行进一步完善。