Doi技术团队

查看大佬 GitHub 上全部项目的 Star 数量，需要手动修改 user 参数，该参数为用户的 GitHub ID

MTCNN，Multi-task convolutional neural network（多任务卷积神经网络），将人脸区域检测与人脸关键点检测放在了一起，总体可分为 P-Net、R-Net、和 O-Net 三层网络结构。它是 2016 年中国科学院深圳研究院提出的用于人脸检测任务的多任务神经网络模型，该模型主要采用了三个级联的网络，采用候选框加分类器的思想，进行快速高效的人脸检测。这三个级联的网络分别是快速生成候选窗口的 P-Net、进行高精度候选窗口过滤选择的 R-Net 和生成最终边界框与人脸关键点的 O-Net。和很多处理图像问题的卷积神经网络模型，该模型也用到了图像金字塔、边框回归、非最大值抑制等技术。

在数据预处理方便，本项目主要是将音频执行梅尔频率倒谱系数(MFCCs)处理，然后在使用出来的数据进行训练，在读取音频时，使用 librosa.load(wav_path, sr=16000) 函数读取音频文件，再使用 librosa.feature.mfcc() 执行数据处理。MFCC 全称梅尔频率倒谱系数。梅尔频率是基于人耳听觉特性提出来的， 它与 Hz 频率成非线性对应关系。梅尔频率倒谱系数(MFCC)则是利用它们之间的这种关系，计算得到的 Hz 频谱特征，主要计算方式分别是预加重，分帧，加窗，快速傅里叶变换(FFT)，梅尔滤波器组，离散余弦变换(DCT)，最后提取语音数据特征和降低运算维度。本项目使用的全部音频的采样率都是 16000Hz，如果其他采样率的音频都需要转为 16000Hz，create_manifest.py 程序也提供了把音频转为 16000Hz。

在这个任务是对坐标进行回归，使用均方误差（Mean Square error ）损失函数 paddle.nn.MSELoss() 来做计算，飞桨 2.0 中，在 nn 下将损失函数封装成可调用类。这里使用 paddle.Model 相关的 API 直接进行训练，只需要定义好数据集、网络模型和损失函数即可。

使用模型代码进行 Model 实例生成，使用 prepare 接口定义优化器、损失函数和评价指标等信息，用于后续训练使用。在所有初步配置完成后，调用 fit 接口开启训练执行过程，调用 fit 时只需要将前面定义好的训练数据集、测试数据集、训练轮次（Epoch）和批次大小（batch_size）配置好即可。

手写数字的 MNIST 数据集，包含 60,000 个用于训练的示例和 10,000 个用于测试的示例。这些数字已经过尺寸标准化并位于图像中心，图像是固定大小(28x28 像素)，其值为 0 到 1。该数据集的官方地址为：http://yann.lecun.com/exdb/mnist 。

本案例将会使用飞桨提供的 API 完成数据集的下载并为后续的训练任务准备好数据迭代器。cifar10 数据集由 60000 张大小为 32 * 32 的彩色图片组成，其中有 50000 张图片组成了训练集，另外 10000 张图片组成了测试集。这些图片分为 10 个类别，将训练一个模型能够把图片进行正确的分类。