想象一下，就像汤姆·克鲁斯走进一家Gap商店，视网膜扫描仪读取他的眼睛，并为他播放定制广告一样。现在是2020年，不需要视网膜扫描仪，因为拥有人工智能（AI）和机器学习（ML）！
在这个系列中，将向展示如何使用深度学习进行面部识别，然后——基于被识别的面部——使用神经网络文本到语音（TTS）引擎播放定制广告。欢迎在CodeProject上浏览代码，或者下载.zip文件在自己的机器上浏览代码。
假设熟悉AI/ML的基本概念，并且能够使用Python进行操作。
为什么使用别人的CNN？
到目前为止，已经完成了设计、实现和训练自己的面部识别CNN所需的一切。在本文中，将探讨一种替代方法——使用预训练的VGG（牛津大学视觉几何组）模型。这些CNN已经在大型数据集上设计和训练，取得了优异的结果。
为什么要重用别人为他们的数据集设计和训练的CNN，显然与数据集不同？嗯，主要原因是有人花费了大量的CPU/GPU时间在大型数据集上训练这些模型。可以很好地利用这种训练。在另一个模型中重用已经训练过的CNN的想法被称为“迁移学习”。
一些知名的VGG模型包括VGG16、VGG19、ResNet50、InceptionV3和Xception。它们具有不同的架构，所有这些模型都可以在Keras中找到。这些模型都是在包含大约120万张图像的ImageNet数据集上训练的。
在本文中，将适应VGG16模型。
VGG16架构图显示，这个CNN的输入定义为（224, 224, 3）。因此，如果想将这个CNN适应问题，有两个选择。可以裁剪和调整图像大小到224 x 224。或者，可以将VGG16的输入层更改为（our_img_width, our_img_height, 3）用于彩色图像（RGB），或者更改为（our_img_width, our_img_height, 1）用于灰度图像。
请注意，VGG16的输出层包含1,000个类别。由于问题没有那么多可能的类别，必须更改输出层的形状。
实现VGG16
将使用VGG16作为基础模型，并从中派生出一个新的CNN——VGGNet。这个新的CNN将具有VGG16的层和权重，以及在输入层（以适应图像宽度、高度和颜色方案）以及输出层（以适应类别数量）的一些修改。
要实现自定义VGGNet模型，让创建一个类，该类继承自MLModel，就像在本系列的中所做的那样。在这个类中，命名为VggModel，除了init_model()之外的所有方法都将具有在ConvolutionalModel类中相同的实现。代码如下：
def init_model(self):
base_model = VGG16(weights=constant.IMAGENET, include_top=False,
input_tensor=Input(shape=(constant.IMG_WIDTH,
constant.IMG_HEIGHT,
3
)), pooling='max', classes=15)
base_model.summary()
for layer in base_model.layers:
layer.trainable = False
x = base_model.get_layer('block5_pool').output
# Stacking a new simple convolutional network on top of it
x = Convolution2D(64, 3)(x)
x = MaxPooling2D(pool_size=(2, 2))(x)
x = Flatten()(x)
x = Dense(constant.NUMBER_FULLY_CONNECTED, activation=constant.RELU_ACTIVATION_FUNCTION)(x)
x = Dense(self.n_classes, activation=constant.SOFTMAX_ACTIVATION_FUNCTION)(x)
self.vgg = Model(inputs=base_model.input, outputs=x)
self.vgg.summary()
请注意，在CNN的末尾添加了以下层：Flatten、Dense、MaxPooling和Dense。附加到VGG末尾的“迷CNN”的目的是将其block5_pool连接起来，使其适应问题，具有正确的类别数量。
还设置了添加层的layer.trainable属性为False。这让在额外的训练中保留原始模型的权重，将不得不进行额外的训练以适应新层。可以通过调用self.vgg.summary()获得修改后的模型的完整描述。
在类的构造函数中使用以下损失和优化器函数：
def __init__(self, dataSet=None):
super().__init__(dataSet)
opt = keras.optimizers.Adam(learning_rate=0.001)
self.vgg.compile(loss=keras.losses.binary_crossentropy,
optimizer=opt,
metrics=[constant.METRIC_ACCURACY])
应用于耶鲁数据集
现在让将VGGNet模型应用于耶鲁面部数据集。哇：仅在三个周期内就实现了超过93%的准确率！
只是为了提醒：从头开始开发的CNN在50个周期后给大约85%的准确率。因此，使用预训练模型显著提高了算法收敛。