模型設計是一個基于CNN的一個三層卷積池化層后一層輸出的模型，卷積層進行卷積處理就是卷積運算，類似“濾波器運算”，是以一定間隔的滑動濾波器窗口，比如一個4*3的圖形，通過2*2的四個格子卷積運算，可以轉化成一個3*3的數(shù)據(jù)矩陣，然后將偏置加到所有格子上，通過批處理將n次打包成一次進行來高效實現(xiàn)，池化層則是縮小圖片高長方向的運算。將一些必要的參數(shù)如權重和偏置預先設置好，其他一部分的參數(shù)可以經過訓練優(yōu)化得到，優(yōu)化器設置了學習率和動量。

　　整個過程模型是先讀取給定的數(shù)據(jù)集，對圖片和標簽進行統(tǒng)一處理使它適合于網(wǎng)絡訓練，然后給定參數(shù)，開始訓練神經網(wǎng)絡，然后每一輪將訓練集的部分拿出來測試以估計準確率，訓練到想要的程度時終止訓練防止過度擬合，然后進行數(shù)據(jù)集的測試得出結果。

　　應用場景由于訓練集進行了處理只有20人以下的數(shù)據(jù)，適用于室內一些人流量較少的區(qū)域，比如室內監(jiān)控，店面超市內部監(jiān)控等。

?

　　實驗內容步驟：

　　1、 準備數(shù)據(jù)：將百度云平臺上給定的數(shù)據(jù)集作為數(shù)據(jù)來源，并進行處理

　　2、 配置網(wǎng)絡：將網(wǎng)絡設計好層數(shù)以及結構，給出需要給定的參數(shù)，加入優(yōu)化模塊。

　　3、 訓練網(wǎng)絡：按批進行訓練集的訓練，每十次進行一個準確率的測試提取。

　　4、 模型評估：通過得出的準確率變化情況對模型進行好壞評估并修改參數(shù)。

　　5、 模型預測：通過訓練出來的模型文件對測試集圖片進行測試。

　　程序源代碼：