在CPU上训练模型时会耗费较长时间，所以我使用AWS EC2上的GPU资源：每次迭代需要8秒钟，一共使用了20分钟。在训练深度学习模型时，这已经是较快了。

在200次迭代后，我们画出了模型指标，可以看出性能已经较为稳定，j2直播，没有明显的过拟合现象，且实际正确率较高。

△训练时验证集和训练集的损失值和正确率 评估模型

由于当前样本量较小，所以很难得到准确的模型精度。但随着训练集样本的增多，这将更贴近实际的模型性能。我们使用sklearn库很快地输出了各类的识别效果。

△各类别的识别效果

从上图可以看出，模型的正确率（f1-score）较高：除了Lisa，其余各类的正确率都超过了80%。Lisa类的平均正确率为82%，可能是在样本中Lisa与其他人物混在一起。

△各类别的交叉关系图

的确，Lisa样本中经常带有Bart，所以正确率较低可能受到Bart的影响。

添加阈值来提高正确率

为了提高模型正确率和减少召回率，我添加了一个阈值。

在讨论阈值之前，先介绍下关于召回和正确率的关系图。

△召回和正确率的关系图

现在统计下正确预测和错误预测的相关数据：最佳概率预测，两个最相似人物的概率差和标准偏差STD。

正确预测：最大值为0.83，最优点概率差为0.773，STD值为0.21；

错误预测：最大值为0.27，最优点概率差为0.092，STD值为0.07。

如果人物1的预测正确率太低，预测人物2时标准偏差太高或是两个最相似人物间的概率差太低，那么可以认为网络没有学习到这个人物。

因此，对两个类别，绘制测试集的3个指标，希望找到一个超平面来分离正确预测和错误预测。

△测试集中多个指标的散点图

上图中，想要通过直线或是设置阈值，来分离出正确预测和错误预测，这是不容易实现的。当然还可以看出，错误预测的样本一般在图表的左下方，但在这个位置也分布了很多正确预测样本。如果设置了一个阈值（关于最相似人物间的概率差和概率），则实际召回率也会降低。

我们希望在提高准确性的同时，而不会很大程度上影响召回率，因此要为每个人物或是低正确率的人物（如Lisa Simpson）来绘制这些散点图。

此外，对于没有主角或是不存在人物的样本，加入阈值后效果很好。目前我在模型中添加了一个“无人物”的类别，可以添加阈值来处理。我认为很难在最佳概率预测、概率差和标准偏差之间找到平衡点，所以我重点关注最佳预测概率。

关于最佳预测概率的召回率和正确率

在模型中，很难平衡好召回率与正确率之间的关系，同时也无法同时提高召回率和正确率。所以往往根据实际目标，来提高单个值。

对于预测类别的概率最小值，画出F1-score、召回率和正确率来比较效果。

△对于所有类别或特定类别，正确率、召回率和F1-score与预测类别概率最小值的关系

从图10中看出，模型效果取决于不同人物。重点研究Lisa Simpson类别，为该类添加概率最小值0.2可能会提高效果，但是组合所有类别后，这个阈值并不完全适用。

所以考虑全局效果，对于预测类别的概率最小值，应该增加一个合适的阈值，且不能位于区间[0.2,0.4]内。

可视化预测人物

△12个不同人物的实际类别和预测类别

在图11中，用于分类人物的神经网络效果很好，故应用到视频中实时预测。在实际中，每张图片的预测时间不超过0.1s，可以做到每秒预测多帧。

相关链接

1.辛普森一家的人物数据集：

https://www.kaggle.com/alexattia/the-simpsons-characters-dataset

2.完整项目代码：

https://github.com/alexattia/SimpsonRecognition

【完】

一则通知