一、参考博客
地址 http://www.jianshu.com/p/d4a924c97416
作者说的很详细，可以参考作者博客，搭建环境参考我的上一博客。
这里只说一些自己的理解，和解决遇到的问题，有想在Windows下实现人脸识别并且匹配的，可以按照我的步骤一步步解决问题。经测试真实有效，不好用不要钱！- -！
二、分析
想要看懂代码并且自己能够修改，你需要了解的几个知识
1：openCv调用图片，或者视频 。
构建模型和模型训练（问题开始逐渐多了，重点，敲黑板）
就是把刚才的图片放到dataset文件夹下，要单独创建文件夹，一个文件夹里面放一个人的头像。
*******（应该建立两个以上文件夹，否则报错，具体错误代码 如下，原因不详：
#epochs、batch_size为可调的参数，epochs为训练多少轮、batch_size为每次训练多少个样本
#如果模型只有一个输入，那么x的类型是numpy array，如果模型有多个输入，
#那么x的类型应当为list，list的元素是对应于各个输入的numpy array
self.model.fit(self.dataset.X_train,self.dataset.Y_train,epochs=7,batch_size=20)
）
运行train_model.py会调用dataSet.py,read_data.py
read_data.py下的
2：根据指定路径读取出图片、标签和类别数
imgs,labels,counter = read_file(path)
3： #将数据集打乱随机分组
X_train,X_test,y_train,y_test = train_test_split(imgs,labels,test_size=0.2,random_state=random.randint(0, 100))
print(X_train.shape)#输出结果(3, 128, 128) 3代表训练集的个数
4： #重新格式化和标准化
X_train = X_train.reshape(X_train.shape[0], 1, self.img_size, self.img_size)/255.0
（reshape详细看最下面）
train_model.py下的
5： #建立一个CNN模型，一层卷积、一层池化、一层卷积、一层池化、抹平之后进行全链接、最后进行分类
self.model = Sequential()
self.model.add(
Conv2D(
filters=32,
kernel_size=(5, 5),
padding='same',
dim_ordering='th',
input_shape=self.dataset.X_train.shape[1:]
)
)
6：了解python的常见矩阵转换
input_shape=self.dataset.X_train.shape[1:]
8 :缺少h5py，导包。
详细步骤：
1、获得训练集数据
分步运行，运行pick_face.py,会调用read_img.py
（我想改颜色了，发现改了颜色后真的识别不出来，灰色识别确实高，但是这看着不太舒服，最后拉上我郅哥陪我，啥也不怕了。）
2、*****
3、
imgs,labels,counter = read_file(path)
print(imgs)
print(labels)
print(counter) 打印结果如下
[[[ 88 131 132 ..., 19 19 34] [107 137 128 ..., 19 22 40] [112 130 116 ..., 22 29 51] ..., [ 46 54 60 ..., 180 176 160] [ 48 54 59 ..., 177 172 167] [ 50 54 57 ..., 158 157 165]] #1 [[160 160 159 ..., 160 160 160] [160 160 160 ..., 161 160 161] [160 161 161 ..., 161 161 161] ..., [132 130 131 ..., 137 136 136] [131 131 130 ..., 137 136 136] [131 130 130 ..., 136 136 136]] #2 [[220 221 221 ..., 221 221 222] [221 222 222 ..., 223 223 222] [223 223 223 ..., 222 223 223] ..., [213 212 208 ..., 179 179 179] [212 213 211 ..., 83 178 178] [211 213 211 ..., 177 177 177]] #3 ..., [[128 126 124 ..., 90 90 90] [129 128 127 ..., 93 94 93] [131 129 129 ..., 92 94 93] ..., [ 70 66 63 ..., 65 68 70] [ 67 62 58 ..., 65 69 70] [ 62 60 60 ..., 67 74 76]] #4 [[ 4 5 4 ..., 27 40 47] [ 3 4 4 ..., 28 36 44] [ 4 4 4 ..., 36 40 45] ..., [ 19 20 19 ..., 159 160 158] [ 20 23 22 ..., 158 159 160] [ 17 21 21 ..., 157 159 158]] #5 [[ 14 16 16 ..., 183 183 182] [ 19 19 21 ..., 183 183 183] [ 22 18 20 ..., 182 183 183] ..., [100 102 99 ..., 189 189 189] [100 100 101 ..., 188 188 189] [ 99 98 100 ..., 190 189 189]]] #6 我有两个文件夹，八张图片，不知道为什么只显示六张图片？？？？ [0, 0, 0, 1, 1, 1, 1, 1] #标签代表文件夹索引 第一个文件夹里3张图片，第二个文件夹里面5张图片 2 #一共两文件夹 [[[227 225 224 ..., 231 231 232] [226 228 223 ..., 232 232 232] [228 225 221 ..., 230 231 231] ..., [226 226 227 ..., 125 109 104] [226 227 228 ..., 122 107 104] [227 228 226 ..., 116 105 101]] [[ 14 16 16 ..., 183 183 182] [ 19 19 21 ..., 183 183 183] [ 22 18 20 ..., 182 183 183] ..., [100 102 99 ..., 189 189 189] [100 100 101 ..., 188 188 189] [ 99 98 100 ..., 190 189 189]] [[ 88 131 132 ..., 19 19 34] [107 137 128 ..., 19 22 40] [112 130 116 ..., 22 29 51] ..., [ 46 54 60 ..., 180 176 160] [ 48 54 59 ..., 177 172 167] [ 50 54 57 ..., 158 157 165]] [[128 126 124 ..., 90 90 90] [129 128 127 ..., 93 94 93] [131 129 129 ..., 92 94 93] ..., [ 70 66 63 ..., 65 68 70] [ 67 62 58 ..., 65 69 70] [ 62 60 60 ..., 67 74 76]] [[160 160 159 ..., 160 160 160] [160 160 160 ..., 161 160 161] [160 161 161 ..., 161 161 161] ..., [132 130 131 ..., 137 136 136] [131 131 130 ..., 137 136 136] [131 130 130 ..., 136 136 136]] [[ 4 5 4 ..., 27 40 47] [ 3 4 4 ..., 28 36 44] [ 4 4 4 ..., 36 40 45] ..., [ 19 20 19 ..., 159 160 158] [ 20 23 22 ..., 158 159 160] [ 17 21 21 ..., 157 159 158]]] (6, 128, 128) #分割出来六个训练集 [Finished in 5.2s]
参考博客：http://blog.csdn.net/churximi/article/details/61415254
4、X_train = X_train.reshape(X_train.shape[0], 1, self.img_size, self.img_size)/255.0
根据Numpy文档(https://docs.scipy.org/doc/numpy/reference/generated/numpy.reshape.html#numpy-reshape)的解释：（能看明白的都么是大婶）
清楚解释如下
1 import numpy as np
2 z=np.array([
3 [1,2,3,4],
4 [5,6,7,8],
5 [9,10,11,12],
6 [13,14,15,16]
7 ])
8 print(z.shape) #输出(4,4)
import numpy as np
z=np.array([
[1,2,3,4],
[5,6,7,8],
[9,10,11,12],
[13,14,15,16]
])
print(z.reshape(-1,1)) #也就是说，先前我们不知道z的shape属性是多少，但是想让z变成只有一列，行数不知道多少，
#输出如下
[[ 1]
[ 2]
[ 3]
[ 4]
[ 5]
[ 6]
[ 7]
[ 8]
[ 9]
[10]
[11]
[12]
[13]
[14]
[15]
[16]]
print(z.reshape(-1,2))
#输出如下
[[ 1 2]
[ 3 4]
[ 5 6]
[ 7 8]
[ 9 10]
[11 12]
[13 14]
[15 16]]
print(z.reshape(-1,2,8))
#输出如下
[[[ 1 2 3 4 5 6 7 8]
[ 9 10 11 12 13 14 15 16]]]
print(z.reshape(-1,2,4,1))
#输出如下
[[[[ 1]
[ 2]
[ 3]
[ 4]]
[[ 5]
[ 6]
[ 7]
[ 8]]]
[[[ 9]
[10]
[11]
[12]]
[[13]
[14]
[15]
[16]]]]
、最后总结为，reshape(-1,2,4,1)里面加几个参数，就是形成几维数组，从右向左起，为每维数组里的个数，（-1，2，4，1）一维数组里面有1个，二维数组里面4个，三围数组里面2个，由于不知道z的
值，就用-1表示，自动运算16/1/4/2=2。注意，维度一定要保证能够整除，不能出现除不尽的情况。
#将数据集打乱随机分组
X_train,X_test,y_train,y_test = train_test_split(imgs,labels,test_size=0.2,random_state=random.randint(0, 100))
print(X_train.shape)#输出结果(3, 128, 128)
#重新格式化和标准化
X_train = X_train.reshape(X_train.shape[0], 1, self.img_size, self.img_size)/255.0
将X_train由一个三维数组，变成一个四维数组。
相当于x_train=X_train.reshape(3,1,128,128) 其余没变，多加了一个维度而已。
5、
def build_model(self): self.model = Sequential() self.model.add( Convolution2D( filters=32, kernel_size=(5, 5), padding='same', dim_ordering='th', input_shape=self.dataset.X_train.shape[1:] ) )
首先了解 Keras:基于Python的深度学习库 中文文档地址 http://keras-cn.readthedocs.io/en/latest/
博客地址 http://blog.csdn.net/sinat_26917383/article/details/72857454?fps=1&locationNum=1
keras的后台引擎，三种后端TensorFlow、theano、cntk。
*******重要*******开始我换了theano，但是总是出错，各种各样的问题，最后还是直接就用了tensorflow,也没有做什么修改，具体底层怎么运行的我会在后续学习中补充，也希望有知道的大神可以告诉一下我，感激不尽。
作者说本案例是基于theano的，如果基于tensorflow的backend需要进行修改，而发现keras默认后端是tensorflow，想换回theano，看了官方文档，只说明了Linux的环境更换，在Windows下
其实就是在C:UsersAdministrator有个文件夹.keras，里面有keras.json文件，改一下里面的内容就好了，如果没有文件夹和文件，手动创建就行。用theano的话，keras.json写入
{
"backend": "tensorflow",
"epsilon": 1e-07,
"image_data_format": "channels_last",
"floatx": "float32"
}6、矩阵转换 博客学习地址 http://blog.csdn.net/taxueguilai1992/article/details/46581861
from numpy import * import numpy as np a1=array([1,2,3]) a1=mat(a1) #1print(a1) [[1 2 3]] # a1=mat([[1,1],[2,3],[4,2]]); #2print(a1) [[1 1] # [2 3] # [4 2]] #3print(a1[1,:]) [[2 3]]加了逗号就是取第二行值 #4print(sum(a1[1,:])) 计算第一行所有列的和 5 #print(a1[1:]) [[2 3] # [4 2]] 不加逗号就是从第二行之后分割 #print(a1[1:,1:]) 分割出第二行以后的行和第二列以后的列的所有元素 #[[3] # [2]]
7、博客学习地址 http://blog.csdn.net/johinieli/article/details/69222956
更新keras到2.0版本 pip install keras==2.0(本人亲测好使)
使用以下命令来查看 Keras 版本。
>>> import keras
Using TensorFlow backend.
>>> keras.__version__
升级后原作者代码也需要更改 Conv2D而不再是Convolution2D。
8、*****
最后附一张成功识别图，感谢原代码作者，也感谢众多查阅的博客疑难解答，小白一枚，前方路远，路漫漫其修远兮
代码地址：https://github.com/chaoyuebeijita/face
2017/12/18 作者一路致金 微信 chaoyuebeijita QQ 869613275
欢迎指正学习，我才刚上路