系統開發環境
硬件：
CUP: INTEL CORE I7-6500U
GPU: NVIDIA GeForce 940M
內存：8G
硬盤：PCIE SSD 256G
軟件：
Python 3.5
系統使用工具
集成開發環境（Anaconda或IDLE)
插件：
opencv3.4.3
numpy1.14.6
keras2.2.4
Tensorflow cpu1.11.0
sklearn0.20.0
獲取人臉數據
首先通過opencv打開攝像頭，獲取視頻流，得到一幀一幀的圖片，用opencv自帶的人臉識別分類器haarcascade_frontalface_alt2檢測出每幀人臉的部分，並保存。將獲取的每幀圖片壓縮成64*64的，並灰度化。
圖像預處理
劃分數據集
按照交叉驗證的原則將數據集劃分成三部分：訓練集、驗證集、測試集；交叉驗證屬於機器學習中常用的精度測試方法，它的目的是提升模型的可靠和穩定性。我們會拿出大部分數據用於模型訓練，小部分數據用於對訓練後的模型驗證，驗證結果會與驗證集真實值（即標籤值）比較並計算出差平方和，此項工作重複進行，直至所有驗證結果與真實值相同，交叉驗證結束，模型交付使用。在這裏我們導入了sklearn庫的交叉驗證模塊，利用函數train_test_split()來劃分訓練集和驗證集。train_test_split()會根據test_size參數按比例劃分數據集，在這裏我們劃分出了30%的數據用於驗證，70%用於訓練模型。參數random_state用於指定一個隨機數種子，從全部數據中隨機選取數據建立訓練集和驗證集，所以你將會看到每次訓練的結果都會稍有不同。測試集也調用了這個函數。
改變圖像數據維度
按照keras庫運行的後端系統要求改變圖像數據的維度順序；因爲keras建立在tensorflow或theano基礎上，換句話說，keras的後端系統可以是tensorflow也可以是theano。後端系統決定了圖像數據輸入CNN網絡時的維度順序，tensorflow的維度順序爲行數(rows)、列數(cols)、通道數(顏色通道，channels)；theano則是通道數、行數、列數。所以，我們通過調用image_dim_ordering()函數來確定後端系統的類型（th’代表theano，'tf'代表tensorflow），然後我們再通過numpy提供的reshape()函數重新調整數組維度。
one-hot編碼
將數據標籤進行one-hot編碼，使其向量化，對標籤集進行one-hot編碼的原因是我們的訓練模型採用categorical_crossentropy作爲損失函數，這個函數要求標籤集必須採用one-hot編碼形式。所以，我們對訓練集、驗證集和測試集標籤均做了編碼轉換。那麼什麼是one-hot編碼呢？one-hot有的翻譯成獨熱，有的翻譯成一位有效，個人感覺一位有效更直白一些。因爲one-hot編碼採用狀態寄存器的組織方式對狀態進行編碼，每個狀態值對應一個寄存器位，且任意時刻，只有一位有效。對於我們的程序來說，我們類別狀態只有兩種（nb_classes = 2）：0和1，0代表我，1代表others。one-hot編碼會提供兩個寄存器位保存這兩個狀態，如果標籤值爲0，則編碼後值爲[1 0]，代表第一位有效；如果爲1，則編碼後值爲[0 1]，代表第2爲有效。換句話說，one-hot編碼將數值變成了位置信息，使其向量化，這樣更方便CNN操作。
歸一化圖像數據
數據集先浮點後歸一化的目的是提升網絡收斂速度，減少訓練時間，同時適應值域在（0,1）之間的激活函數，增大區分度。其實歸一化有一個特別重要的原因是確保特徵值權重一致。舉個例子，我們使用mse這樣的均方誤差函數時，大的特徵數值比如(5000-1000)2與小的特徵值(3-1)2相加再求平均得到的誤差值，顯然大值對誤差值的影響最大，但大部分情況下，特徵值的權重應該是一樣的，只是因爲單位不同才導致數值相差甚大。因此，我們提前對特徵數據做歸一化處理，以解決此類問題。
卷積神經網絡結構