文档介绍：基于深度卷积神经网络的人脸识别研究
深度卷积神经网络主要应用包括语音识别、图像处理、自然语言处理等。
本文就当前大环境下研究了卷积神经网络模型在静态环境下人脸识别领域
的应用。卷积神经网络模型需要设计一个可行的网络模型，将大量的人脸训基于深度卷积神经网络的人脸识别研究
深度卷积神经网络主要应用包括语音识别、图像处理、自然语言处理等。
本文就当前大环境下研究了卷积神经网络模型在静态环境下人脸识别领域
的应用。卷积神经网络模型需要设计一个可行的网络模型，将大量的人脸训
练数据集加载到网络模型中，然后进行自动训练，这样就可以得到很好的识
别率。把训练好的模型保存下来，那么这个模型就是一个端到端的人脸特征
提取器。该方法虽然操作简单，但是需要根据训练数据集设计合理的网络结
构，而且最难的关键点是超参数的调整和优化算法的设计。因此本文结合残
差网络和融合网络构建了两个与计算资源和数据资源相匹配的网络模型，并
通过反复调整超参数和调试优化器使其在训练集上能够收敛，最终还取得较
好的识别率。
本文的主要研宄内容和创新点如下：
介绍了卷积神经网络的基础理论知识。先从传统人工神经网络的模型结
构、前向和反向传播算法进行了详细的分析；然后过渡到卷积神经网络的相
关理论，对其重要组成部分如卷积层、激励层、池化层和全连接层进行了具
体的阐述；最后对卷积神经网络训练时的一些注意事项进行了说明。
人工神经元是构成人工神经网络的基本计算单元，单个神经元的模型结
构如下图所示。
其中，Zw1x1bWTXbhw,h(x)f(z)
1
卷积神经网路的基本结构
简单的池化过程：
对深度学习框架TensorFlow的系统架构和编程模型作了一些说明，并对
人脸数据进行预处理，包括人脸检测、数据增强、图像标准化和人脸中心损失。
TensorFlow的系统架构如下图所示
TensorFlow的编程模式
系统本地模式和分布式模式示意图
提出了基于改进的MyVGGNet口MySqueezeNet网络的人脸识别。首先分析了本II型VGGNet-1解口SqueezeN由勺网络结构及相关参数，然后本文提出将原VGGNet-1解口SqueezeNe的网络结构和参数进行优化，并在每个卷积层和激励层之间添加批归一化层，在VGGNet-1纲络末尾用1个1*1的卷积层代替三个全连接层，还增加全局平均池化层，得到新的MyVGGNe前
MySqueezeNet模型，最后在LFW数据集上分别获得嗨口%勺准确率。
VGGNet-16网络结构框图
MyVGGNe网络框图
MyVGGN躯络训I练时LFWM试集的准确率走势图
MyVGGNe®