環境：tensorflow1.1,python3,matplotlin2.02

olivettifaces是紐約大學的一個比較小的人臉庫，由40個人的400張圖片構成，即每個人的人臉圖片為10張。每張圖片的灰度級為8位，每個畫素的灰度大小位於0-255之間，每張圖片大小為64×64。圖片大小是1190*942，一共有20*20張人臉，故每張人臉大小是（1190/20）*（942/20）即57*47=2679本文所用的訓練資料就是這張圖片，400個樣本，40個類別。

#coding:utf-8
"""
python 3
tensorflow 1.1
matplotlib 2.02
"""
import tensorflow as
 
 tf
import pickle
import numpy as np
import matplotlib.pyplot as plt

#讀取資料集
with open('facedataset.pickle','rb') as f:
    (train_data,train_labels),(test_data,test_labels) = pickle.load(f)

tf.set_random_seed(100)
np.random.seed(100)
batch_size = 40
learning_rate = 0.01

#定義one_hot
def label_to_one_hot(labels_dense, num_classes=10
 
):
    num_labels = labels_dense.shape[0]
    index_offset = np.arange(num_labels) * num_classes
    labels_one_hot = np.zeros((num_labels, num_classes))
    labels_one_hot.flat[index_offset + labels_dense.ravel()] = 1
    return labels_one_hot

train_data = train_data.astype(np.float32)
test_data = test_data.astype(np.float32)
train_labels = label_to_one_hot(train_labels,num_classes=40
 
).astype(np.int32)
test_labels = label_to_one_hot(test_labels,num_classes=40).astype(np.int32)
#檢視圖片
plt.imshow(train_data[0].reshape((57,47)))
plt.title('the face picture',fontdict={'size':16,'color':'c'})
plt.gray()
plt.show()

#定義輸入形狀
xs = tf.placeholder(tf.float32,[None,57*47])
ys = tf.placeholder(tf.int32,[None,40])

#構建神經網路
x = tf.reshape(xs,[-1,57,47,1])
conv1 = tf.layers.conv2d(inputs=x,filters=5,kernel_size=3,strides=1,padding='same',activation=tf.nn.relu)
pool1 = tf.layers.max_pooling2d(conv1,pool_size=2,strides=2)
conv2 = tf.layers.conv2d(inputs=pool1,filters=10,kernel_size=3,strides=1,padding='same',activation=tf.nn.relu)
pool2 = tf.layers.max_pooling2d(conv2,pool_size=2,strides=2)
flat = tf.reshape(pool2,[-1,14*11*10])
output = tf.layers.dense(flat,40)

#計算loss
loss = tf.losses.softmax_cross_entropy(onehot_labels=ys,logits=output)
train = tf.train.AdamOptimizer(learning_rate).minimize(loss)
_,accuracy = tf.metrics.accuracy(labels=tf.argmax(ys,axis=1),predictions=tf.argmax(output,axis=1))
with tf.Session() as sess:
    init = tf.group(tf.global_variables_initializer(),tf.local_variables_initializer())
    sess.run(init)
    for i in range(10):
        _,c = sess.run([train,loss],feed_dict={xs:train_data,ys:train_labels})
        print('= = = = = = > > > > > >loss: %.4f' %c)
    acc = sess.run(accuracy,feed_dict={xs:test_data,ys:test_labels})
    print('accuracy is :%.4f' %acc)

由於資料集很小，在訓練的時候就沒有考慮採用batch訓練

結果：

訓練注意事項

在神經網路訓練的過程中，如果資料集沒有被打亂，原始資料集是有序的，會對檢測精度造成很大影響
上述實驗中在訓練集和label上設定相同的隨機種子，打亂順序後訓練，檢測精度顯著提高。