如何通过迁移学习实现人脸识别实战，并获取完整代码与数据？

本文共计675个文字，预计阅读时间需要3分钟。

迁移学习概述：为家里的扫地机器人添加人脸识别功能，使其能识别家人。比如，我射击弹弓时，机器人就能阻止我，这样孩子就不会误伤自己。也可以在机器人上安装摄像头，领导提前报警。

迁移学习概述想给家里的小八爪机器人加上人脸识别功能，比如瞄准的是我时就不能发射炮弹，这样儿子就没法拿这个怪物打我了。。。（也可以在工位上加个摄像头，领导来了提前报警。。。）人脸识别

迁移学习概述

想给家里的小八爪机器人加上人脸识别功能，比如瞄准的是我时就不能发射炮弹，这样儿子就没法拿这个怪物打我了。。。（也可以在工位上加个摄像头，领导来了提前报警。。。）

人脸识别跟普通的图像识别还是有相似的地方，比如都是图像 cnn 卷积池化；但也有很多不同，比如标注数据太少，全国的身份证人脸识别，每个人只有一张照片你怎么训练。。。这就需要用到一个新的迁移学习的思路：将一个问题上训练好的模型通过简单的调整使其快速适用于一个新的问题。

例如利用 ImageNet 数据集上训练好的 Inception-V3 模型来解决一个新的图像分类问题，可以保留训练好的 Inception-v3 模型中所有卷积层的参数，只是替换最后一层全连接层，在最后这一层全连接层之前的网络层称为瓶颈层。