近幾年來，興起了一股人工智能熱潮，讓人們見到了AI的能力和強大，比如圖像識別，語音識別，機器翻譯，無人駕駛等等。總體來說，AI的門檻還是比較高，不僅要學會使用框架實現，更重要的是，需要有一定的數學基礎，如線性代數，矩陣，微積分等。
幸慶的是，國內外許多大神都已經給我們造好“輪子”，我們可以直接來使用某些模型。今天就和大家交流下如何實現一個簡易版的人臉對比，非常有趣！
整體思路：
預先導入所需要的人臉識別模型
遍歷循環識別文件夾裏面的圖片，讓模型“記住”人物的樣子
輸入一張新的圖像，與前一步文件夾裏面的圖片比對，返回最接近的結果
使用到的第三方模塊和模型：
模塊：os,dlib,glob,numpy
模型：人臉關鍵點檢測器，人臉識別模型
1.導入需要的模塊和模型**
這裏解釋一下兩個dat文件：
它們的本質是參數值（即神經網絡的權重）。人臉識別算是深度學習的一個應用，事先需要經過大量的人臉圖像來訓練。所以一開始我們需要去設計一個神經網絡結構，來“記住”人類的臉。
對於神經網絡來說，即便是同樣的結構，不同的參數也會導致識別的東西不一樣。在這裏，這兩個參數文件就對應了不同的功能（它們對應的神經網絡結構也不同）：
shape_predictor.dat這個是爲了檢測人臉的關鍵點，比如眼睛，嘴巴等等；dlib_face_recognition.dat是在前面檢測關鍵點的基礎上，生成人臉的特徵值。
所以後面使用dlib模塊的時候，其實就是相當於，調用了某個神經網絡結構，再把預先訓練好的參數傳給我們調用的神經網絡。順便提一下，在深度學習領域中，往往動不動會訓練出一個上百M的參數模型出來，是很正常的事。
2.對訓練集進行識別
在這一步中，我們要完成的是，對圖片文件夾裏面的人物圖像，計算他們的人臉特徵，並放到一個列表裏面，爲了後面可以和新的圖像進行一個距離計算。關鍵地方會加上註釋，應該不難理解，具體實現爲：
當你做完這一步之後，輸出列表descriptors看一下，可以看到類似這樣的數組，每一個數組代表的就是每一張圖片的特徵量（128維）。然後我們可以使用L2範式（歐式距離），來計算兩者間的距離。
舉個例子，比如經過計算後，A的特徵值是[x1,x2,x3],B的特徵值是[y1,y2,y3], C的特徵值是[z1,z2,z3],
那麼由於A和B更接近，所以會認爲A和B更像。想象一下極端情況，如果是同一個人的兩張不同照片，那麼它們的特徵值是不是應該會幾乎接近呢？知道了這一點，就可以繼續往下走了。
3.處理待對比的圖片
其實是同樣的道理，如法炮製，目的就是算出一個特徵值出來，所以和第二步差不多。然後再順便計算出新圖片和第二步中每一張圖片的距離，再合成一個字典類型，排個序，選出最小值，搞定收工！
4.運行看一下
這裏我用了一張“斷水流大師兄”林國斌的照片，識別的結果是，果然，是最接近黎明瞭（嘻嘻，我愛黎明）。但如果你事先在訓練圖像集裏面有放入林國斌的照片，那麼出來的結果就是林國斌了。
爲什麼是黎明呢？我們看一下輸入圖片裏的人物最後與每個明星的距離，輸出打印一下：
沒錯，他和黎明的距離是最小的，所以和他也最像了！
Python就是這麼有趣好玩，可以玩爬蟲，探祕數據分析，量化金融來賺錢，也可以來撩妹子做自動化工作，機器學習領域就更好了，人臉識別，自然語言處理，數據預測和挖掘！
【菜鳥學Python】累計原創近400篇趣味乾貨(爬蟲，數據分析，算法，面試指南，原創趣味實戰，Python遊戲，機器學習），歡迎一起學Python，交流指正。