本文共 774 字，大约阅读时间需要 2 分钟。
最近开始学习小程序开发，涉及以下内容：
数据打包
通过创造数据的脚本creat_data.py，实现了数据的打包。首先读取标注文件list_attr_celeba.txt，提取标记信息。然后，基于索引值对应不同的属性（如Eyeglasses、Male、Young、Smiling），逐一处理图像数据。使用TensorFlow生成TFRecord格式的训练集和测试集，实现了数据的清洗和特征提取。 模型训练
搭建了一个基于TensorFlow的模型，使用Inceptionv3作为主干网络。通过批量处理图像数据，训练了四个分类器（分别对应Eyeglasses、Young、Male和Smiling）。模型包括卷积层和全连接层，使用Adam优化器进行训练，并添加了L2正则化以防止过拟合。模型测试
将训练好的模型转换为pb文件，用于 inference。通过加载pb文件，调用模型预测接口，实现了对新图像的面部属性识别。测试过程中，通过读取图片文件，调用人脸检测算法，提取人脸区域并对图像进行预处理后，通过模型进行预测。模型转换（pb文件）
将训练好的TensorFlow模型转换为pb文件，便于在其他环境中使用。通过优化图计算定义，移除冗余节点，减少模型体积。完成后，将模型文件保存为face_attribute.pb格式，用于后续的模型部署。Flask封装模型
通过Flask框架封装了模型接口，实现了图像上传、人脸检测、特征提取和属性识别的功能。开发了多个路由接口，包括面部特征提取、人脸签到、面部识别等。同时，集成了前端和后端的交互，确保了模型服务的稳定性和可靠性。微信小程序部分代码
目前正在完善微信小程序相关代码。计划通过前后端分离的方式，实现用户上传图片、人脸检测、特征提取以及模型预测等功能。后续将优化小程序页面，提升用户体验。转载地址：http://pfde.baihongyu.com/