使用CNN（convolutional neural nets）检测脸部关键点教程（一）

本教程使用Lasagne（一个基于Theano可以快速构建神经网络的工具）：
1，实现几种神经网络的搭建
2，讨论数据扩充（data augmentation）方法
3，讨论 学习“势” 的重要性
4，讨论 前训练（pre-training）
以上方法，将有利于改进我们的结果。

本教程基于你已经对神经网络有过一定的了解，因为在这里不再讨论神经网络的工作原理。但是这里有一些好的资料：
1， 一本deeplearning的在线书籍
2， Alec.Radford的视频教程“使用python的Theano库实现deeplearning”
3， Andrej Karpathy 整理的 让人兴奋的deeplearning示例

目录：
1， 环境需求
2， 数据介绍
3， 第一个模型：一个隐层结构的传统神经网络
4， 测试刚刚的网络
5， 第二个模型：卷积神经网络
6， 数据扩充
7， 让 学习率 和 学习势 随着时间改变
8， 丢弃技巧（Dropout）
9， 训练专家网络
10，有监督的前训练

第一部分：环境需求

注意：如果你只想看一遍教程其实不需要非要把这里的代码跑一遍，但如果你手头有支持CUDA的GPU，并想按照教程的步骤执行代码的话，下面提供一些指导：
1， 假设你支持CUDA的GPU已经应该安装的配套环境已经就绪，Python2.7.x，numpy,pandas,matplotlib,scikit-learn 都已经安装好。
2， 安装一个virtualenv，并且激活虚拟环境。
3， 从Github直接安装Lasagne，运行下面的命令安装Lasagne和相应的依赖：

pip install -r https://raw.githubusercontent.com/dnouri/kfkd-tutorial/master/requirements.txt

现在环境已经安装好，可以从虚拟环境的src/lasagne/examples/目录运行例程（MNIST识别）：

cd src/lasagne/examples/
python mnist.py

敲下命令到打印出信息要过一段时间，因为Theano是一个用python语言书写、把针对矩阵的运算编译成GPU代码的编译器，所以模型训练之前Lasagne调用Theano做一些计算转换，转换会生C代码进行编译。训练开始后，下面的信息出现：

Epoch 1 of 500
  training loss:            1.352731
  validation loss:          0.466565
  validation accuracy:              87.70 %
Epoch 2 of 500
  training loss:            0.591704
  validation loss:          0.326680
  validation accuracy:              90.64 %
Epoch 3 of 500
  training loss:            0.464022
  validation loss:          0.275699
  validation accuracy:              91.98 %
...

如果你有一块GPU，你想让Theano使用它，那么创建一个~/.theanorc在你的home目录下，在里面写下下面的配置：

[global]
floatX = float32
device = gpu0

[nvcc]
fastmath = True

上述步骤有任何Bug，去这个地方汇报。

第二部分 数据介绍

对 Facial Keypoint Detection这个竞赛来说，训练集是96*96的灰度图：

15个特征点分别是：
左、右眼中心，2
左、右眼外侧点，2
左、右眼内侧点，2
左、右眉毛外侧点，2
左、右眉毛内侧点，2
左、右嘴角，2
上、下唇中心，2
鼻尖，1

一个有趣的意外是，整个样本集合对有的特征点来说有7000个训练样本，然而对有的点只有2000个。下面来读取数据：

# file kfkd.py
import os

import numpy as np
from pandas.io.parsers import read_csv
from sklearn.utils import shuffle


FTRAIN = ‘~/data/kaggle-facial-keypoint-detection/training.csv‘
FTEST = ‘~/data/kaggle-facial-keypoint-detection/test.csv‘


def load(test=False, cols=None):
"""Loads data from FTEST if *test* is True, otherwise from FTRAIN.
Pass a list of *cols* if you‘re only interested in a subset of the
target columns.
"""
fname = FTEST if test else FTRAIN
df = read_csv(os.path.expanduser(fname))  # load pandas dataframe

   # The Image column has pixel values separated by space; convert
# the values to numpy arrays:
df[‘Image‘] = df[‘Image‘].apply(lambda im: np.fromstring(im, sep=‘ ‘))

if cols:  # get a subset of columns
    df = df[list(cols) + [‘Image‘]]

print(df.count())  # prints the number of values for each column
df = df.dropna()  # drop all rows that have missing values in them

X = np.vstack(df[‘Image‘].values) / 255.  # scale pixel values to [0, 1]
X = X.astype(np.float32)

if not test:  # only FTRAIN has any target columns
    y = df[df.columns[:-1]].values
    y = (y - 48) / 48  # scale target coordinates to [-1, 1]
    X, y = shuffle(X, y, random_state=42)  # shuffle train data
    y = y.astype(np.float32)
else:
    y = None

return X, y


X, y = load()
print("X.shape == {}; X.min == {:.3f}; X.max == {:.3f}".format(
X.shape, X.min(), X.max()))
print("y.shape == {}; y.min == {:.3f}; y.max == {:.3f}".format(
y.shape, y.min(), y.max()))

读取结果是这样的：

$ python kfkd.py
left_eye_center_x            7034
left_eye_center_y            7034
right_eye_center_x           7032
right_eye_center_y           7032
left_eye_inner_corner_x      2266
left_eye_inner_corner_y      2266
left_eye_outer_corner_x      2263
left_eye_outer_corner_y      2263
right_eye_inner_corner_x     2264
right_eye_inner_corner_y     2264
...
mouth_right_corner_x         2267
mouth_right_corner_y         2267
mouth_center_top_lip_x       2272
mouth_center_top_lip_y       2272
mouth_center_bottom_lip_x    7014
mouth_center_bottom_lip_y    7014
Image                        7044
dtype: int64
X.shape == (2140, 9216); X.min == 0.000; X.max == 1.000
y.shape == (2140, 30); y.min == -0.920; y.max == 0.996

这个结果告诉我们，很多图的特征点是不全的，比如右唇角，只有2267个样本。我们丢掉所有特征点不到15个的图片，这一行做了这件事：
df = df.dropna() # drop all rows that have missing values in them
用剩下的2140张图片作为训练集训练我们的网络。这样的话，因而特征（9216）比输入样本（2143）还多，过拟合会成为困扰我们的问题。

另外一个值得注意的地方是，我们在读取数据的函数中，吧图片像素值从0~255缩放到[0,1]之间，目标值（特征点的位置）也从0~95放缩到[-1,1]之间。

(待续)