- 正式建立你的第一个Github项目前，建议先阅读Github 文档
- 不要在一个提交中包含 1378 个修改
- 提交最好遵循 Conventional Commits 规范，不要写一堆诡异的随机字符。
- 最好不要直接把数据集放在代码仓库里，如果需要分享数据集，可以上传到 kaggle 上。
- 注意代码风格保持统一，可以使用 EditorConfig 来规范代码格式。
- 最好使用 .gitattribute 来规范行分隔符，参考模板
- 注意在 .gitignore 中忽略不必要的文件和目录，例如
.vscode,.idea- README 应当简洁明了，发布在github上的README最好支持中英双语。
- 最好附上开源协议
任务
- 用feature tensor来计算欧式距离(可以用tensor，也可以转numpy)
- 画1000个不同人特征的欧式距离的点和1000个相同人图片的特征的欧式距离
- 附加题 用获取的feature 和 label来做分类（参考上一次的逻辑回归）
./writeFeature.py 节省时间
把每张图片的特征算出来后直接保存到一些 .txt 文件里。
虽然体积有点大，但是可以加快速度。
-
./showGraph.py显示欧氏距离图像
就是用 matplotlib 把图像画出来
顺便计算 "用来区分是否为同一人" 的阈值，如果欧氏距离大于这个阈值就可以认为不是同一人。
我用两个函数模型分别试了试
模型1:
# 训练集准确率
总: 0.938
男性: 0.927
女性: 0.893
# 测试集准确率
总: 0.805
男性: 0.671
女性: 0.934模型2:
# 训练集准确率
总: 0.889
男性: 0.898
女性: 0.88
# 测试集准确率
总: 0.859
男性: 0.780
女性: 0.934模型1 文件夹在此
先获取图像特征(长度为 512 的向量)，然后在后边加一个 1， 向量长度变成 513，记为 a
文件 target.txt 里有 513 个训练好的参数，这些参数组成一个向量，记为 b
计算
如果大于 0.5，判断为男性
如果小于 0.5，判断为女性
-
./classification/train.py训练 (Python版) -
./classification/train.java训练 (Java版)
python 实在是太慢了，算到虎年都算不完👴 也许因为我的 GPU 是 MX350？
所以我把 train.py 移植到了 train.java, 用 [这个bat脚本](classification/compile and run.bat) 编译并运行。每次运行训练的步数是写在 train.java 源码里的。
每训练一定步数，就会把结果写在 target.txt 里。随时可以用它们做测试。
用 target.txt 文件中的参数做测试，计算这堆参数在测试集的准确率。
画出测试集中图片的性别预测值的分布图像
-
backup.py,autoBackup.bat备份target.txt文件
懒得 ctrl+C ctrl + V，所以用这个脚本每隔60s备份一次target.txt
就是复制到 backups文件夹里，然后文件名后边加个时间
根据 backup 中的数据绘制各参数的值随时间的变化的图像`
通过图像可以发现，很多参数的变化趋势近似抛物线或者双勾函数
只是因为懒得换 IDE
-
./classification/judge.py调用摄像头实时判断性别
模型 2 文件夹在此
先获得特征：$ p = [x_1, x_2, ..., x_{513}] $
然后将 p 化成 ：$a = [p · p, p, 1] = [x_1^2, x_2^2, ..., x_{513}^2, x_1, x_2, ..., x_{513}, 1]$
此时 a 的长度是1025，target.txt 中的向量 b长度也是 1025
计算
如果大于 0.5，判断为男性
如果小于 0.5，判断为女性
然后文件夹里的各个文件作用和 模型1 的相同。
如果电脑有摄像头，可以直接运行该文件进行注册。
如果没有，也可以把 图像.jpg(.png...) 放在文件夹./recognition/account里，然后直接运行register.py。
-
./recognition/recognize.py通过摄像头识别人脸
通过摄像头实时获取图像，提取特征，与文件夹account里的*.txt中的特征相比对，找出最相似的人
原理就是计算特征的欧氏距离。