• 《Age and Gender Classification using Convolutional Neural Networks》
• 2015，Gil Levi and Tal Hassner，使用卷積神經網路來對年齡和性別進行預測。

年齡分類：年齡問題既可以當成年齡組的分類問題，也可以當成迴歸問題。
傳統的比較好的方法LBP+SVM。
1.網路結構：

網路包含：3個卷積層，2個全連線層。使用了類似Alexnet的網路結構，層數比較小，這樣可以避免過擬合。對於年齡的識別，論文分成了8個年齡段，相當於8分類模型；然後對於性別識別自然而然是二分類問題。

2.網路訓練：
（1）初始化引數：權重初始化方法採用標準差為0.01，均值為0的高斯正太分佈。
（2）網路訓練：採用dropout，來限制過擬合。drop out比例採用0.5，還有就是資料擴充，資料擴充石通過輸入256*256的圖片，然後進行隨機裁剪，裁剪為227*227的圖片。
（3）訓練方法採用，隨機梯度下降法，min-batch 大小選擇50，學習率大小0.001，然後當迭代到10000次以後，把學習率調為0.0001。
（4）結果預測：預測方法採用輸入一張256*256的圖片，一種方法是中心裁剪，另一種是裁剪5張圖片，其中四張圖片的裁剪方法分別採用以256*256的圖片的4個角為點點，進行裁剪。然後最後一張，以人臉的中心為基點進行裁剪。然後對這5張圖片進行預測，最後對預測結果進行平均。

資料集：

資料標籤：
age_list=[‘(0, 2)’,’(4, 6)’,’(8, 12)’,’(15, 20)’,’(25, 32)’,’(38, 43)’,’(48, 53)’,’(60, 100)’]
gender_list=[‘Male’,’Female’]

評價標準：

注：在機器學習領域中，混淆矩陣（confusion matrix）是一種評價分類模型好壞的形象化展示工具。其中，矩陣的每一列表示的是模型預測的樣本情況；矩陣的每一行表示的樣本的真實情況。

注：博眾家之所長，叢集英之薈萃。