Doi技术团队

我们上一章使用 MNIST 数据集进行训练，获得一个可以分类手写字体的模型。如果我们数据集的数量不够，不足于让模型收敛，最直接的是增加数据集。但是我们收集数据并进行标注是非常消耗时间了，而最近非常火的生成对抗网络就非常方便我们数据的收集。对抗生成网络可以根据之前的

除了卷积神经网络，深度学习中还有循环神经网络也是很常用的，循环神经网络更常用于自然语言处理任务上。我们在这一章中，我们就来学习如何使用 PaddlePaddle 来实现一个循环神经网络，并使用该网络完成情感分析的模型训练。

上一章我们通过学习线性回归例子入门了深度学习，同时也熟悉了 PaddlePaddle 的使用方式，那么我们在本章学习更有趣的知识点卷积神经网络。深度学习之所以那么流行，很大程度上是得益于它在计算机视觉上得到非常好的效果，而在深度学习上几乎是使用卷积神经网络来提取图像的特征

在第二章，我们已经学习了如何使用 PaddlePaddle 来进行加法计算，从这个小小的例子中，我们掌握了 PaddlePaddle 的使用方式。在本章中，我们将介绍使用 PaddlePaddle 完成一个深度学习非常常见的入门例子——线性回归，我们将分别使用自定义数据集和使用 PaddlePaddle 提供的数据集接口来训练一个线性回归模型。

在第一章介绍了 PaddlePaddle 的安装，接下来我们将介绍如何使用 PaddlePaddle。PaddlePaddle 是百度在 2016 年 9 月 27 日开源的一个深度学习框架，也是目前国内唯一一个开源的深度学习框架。PaddlePaddle 在 0.11.0 版本之后，开始推出 Fluid 版本，Fluid 版本相对之前的 V2 版本，Fluid 的代码结构

这一章我们介绍如何安装新版本的 PaddlePaddle，这里说的新版本主要是说 Fluid 版本。Fluid 是设计用来让用户像 Pytorch 和 Tensorflow Eager Execution 一样执行程序。在这些系统中，不再有模型这个概念，应用也不再包含一个用于描述 Operator 图或者一系列层的符号描述，而是像通用程

问题：计算每层网络结构和输入输出尺寸和参数个数。不加 BN？更深？每层的尺寸变化？更多结构？

• 代表一组数据在分布上的集中趋势和总体上的平均水平。
• 常说的中心化（Zero-Centered）或者零均值化（Mean-subtraction），就是把每个数值都减去均值。

本项目是基于 PaddlePaddle 的 DeepSpeech 项目修改的，方便训练中文自定义数据集。

本项目使用的环境：

• Python 2.7
• PaddlePaddle 1.8.0
• 本教程源码：https://github.com/yeyupiaoling/PaddlePaddle-DeepSpeech

前一章我们已经介绍了常见的人脸数据集，在本章将要进行人脸识别的第二步人脸检测。在人脸识别任务中，首先是需要检查一张图片中是包含有人脸，然后把这个人脸裁剪出来，然后使用脸部的关键点进行人脸对齐，最后使用人脸对比方式完成人脸识别。

开发人脸识别系统，人脸数据集是必须的。所以在我们开发这套人脸识别系统的准备工作就是获取人脸数据集。本章将从公开的数据集到自制人脸数据集介绍，为我们之后开发人脸识别系统做好准备。

中央民族大学创业团队巨神人工智能科技在科赛网公开了一个 TibetanMNIST 正是形体藏文中的数字数据集，TibetanMNIST 数据集的原图片中，图片的大小是 350*350 的黑白图片，图片文件名称的第一个数字就是图片的标签，如 0_10_398.jpg 这张图片代表的就是藏文的数字 0。在本项目中我们结合第四章所学的卷积神经网络，来完成 TibetanMNIST 数据集的分类识别。

TensorFlow Lite 是一款专门针对移动设备的深度学习框架，移动设备深度学习框架是部署在手机或者树莓派等小型移动设备上的深度学习框架，可以使用训练好的模型在手机等设备上完成推理任务。这一类框架的出现，可以使得一些推理的任务可以在本地执行，不需要再调用服务器的网络接

Caffe 是目前比较常用的深度学习框架，这个框架安装没有其他一下主流框架那么简单，直接使用 pip 命令安装，它更常用的是使用编译的方式安装。所以写下这个文章记录一下。

在之前笔者有介绍过《在 Android 设备上使用 PaddleMobile 实现图像分类》，使用的框架是百度开源的 PaddleMobile。在本章中，笔者将会介绍使用腾讯的开源手机深度学习框架 ncnn 来实现在 Android 手机实现图像分类，这个框架开源时间比较长，相对稳定很多。

在之前笔者有介绍过《在 Android 设备上使用 PaddleMobile 实现图像分类》，使用的框架是百度开源的 PaddleMobile。在本章中，笔者将会介绍使用小米的开源手机深度学习框架 MACE 来实现在 Android 手机实现图像分类。

有不少开发者在学习深度学习框架的时候会开源一些训练好的模型，我们可以使用这些模型来运用到我们自己的项目中。如果使用的是同一个深度学习框架，那就很方便，可以直接使用，但是如果时不同深度学习框架，我们就要对模型转换一下。下面我们就介绍如何把 Caffe 的模型转换成 PaddlePaddle 的 Fluid 模型。

我们使用的是 CASIA-WebFace 数据集，该人脸数据集是目前最大的公开人脸数据集。该人脸数据集一共有包含 10,575 个人，494,414 张图像，包含彩色图和灰图。各大人脸数据集情况如下表。

现在越来越多的手机要使用到深度学习了，比如一些图像分类，目标检测，风格迁移等等，之前都是把数据提交给服务器完成的。但是提交给服务器有几点不好，首先是速度问题，图片上传到服务器需要时间，客户端接收结果也需要时间，这一来回就占用了一大半的时间，会使得整体的预测

在 Android 6.0（API 级别 23）以下申请权限是非常简单的，直接在 AndroidManifest.xml 这个配置文件中加入申请权限的列表就可以了，比如我要申请四个权限，如下：