一、背景
原本是打算按《DEX Deep EXpectation of apparent age from a single image》进行表面年龄的训练，可由于IMDB-WIKI的数据集比较庞大，各个年龄段分布不均匀，难以划分训练集及验证集。后来为了先跑通整个训练过程的主要部分，就直接用LAP数据集，参考caffe的finetune_flickr_style，进行一些参数修改，利用bvlc_reference_caffenet.caffemodel完成年龄估计的finetune。
二、训练数据集准备
1、下载LAP数据集，包括Train、Validation、Test，以及对应的年龄label，http://chalearnlap.cvc.uab.es/dataset/18/description/，需要注册。也可以从我的网盘下载：
链接：https://pan.baidu.com/s/1536TgbR_cCcS7-QHfEAeMw
提取码：xc45
2、将标注好的csv文件转换为caffe识别的txt格式。csv每一行的信息为：图片名、年龄、标准差。训练的时候不需要标准差信息，我们只要将图片名和年龄写入到txt中，并按空格隔开，得到Train.txt如下：
同样，完成验证集cvs文件的转换，得到Validation.txt。
三、模型及相关文件拷贝
1、拷贝预训练好的vgg16模型caffe\models\bvlc_reference_caffenet\bvlc_reference_caffenet.caffemodel至工作目录下，该文件约232M；
2、拷贝caffe\models\finetune_flickr_style文件夹中deploy.prototxt、solver.prototxt、train_val.prototxt至工作目录下；
3、拷贝imageNet的均值文件caffe\data\ilsvrc12\imagenet_mean.binaryproto至工作目录下。
四、参数修改
1、修改train_val.prototxt
以及最后的输出层个数，因为我们要训练的为[0,100]岁的输出，共101类，所以：
2、修改solver.protxt
3、修改用于实际测试的部署文件deploy.protxt
输出层的个数也要改：
五、开始训练
1、新建train.bat
caffe train -solver solver.prototxt -weights bvlc_reference_caffenet.caffemodel
rem caffe train --solver solver.prototxt --snapshot snapshot/bvlc_iter_48000.solverstate
pause
双击即可开始训练，当训练过程中出现意外中断，可注释第一行，关闭第二行注释，根据实际情况修改保存，继续双击训练。
我的电脑CPU是i5 6500，显卡为gtx1050Ti，8G内存，大致要训练10个小时吧，中途也出现了一些内存不足训练终止的情况。
2、训练结束
六、模型评价
年龄估计原本是一个线性问题，不是一个明确的分类问题，人都无法准确无误地得到某人的年龄，更何况是机器呢。所以评价这个年龄分类模型的好坏不能简单地通过精度来衡量，可以用MAE（平均绝对误差）以及ε-error来衡量，其中
1、对验证集Validation.txt的所有图片进行预测
借助 https://github.com/eveningglow/age-and-gender-classification ，其环境搭建可参考https://www.cnblogs.com/smbx-ztbz/p/9399016.html
修改main函数
int split(std::string str, std::string pattern, std::vector<std::string> &words)
{
std::string::size_type pos;
std::string word;
int num = ;
str += pattern;
std::string::size_type size = str.size();
for (auto i = ; i < size; i++) {
pos = str.find(pattern, i);
if (pos == i) {
continue;//if first string is pattern
}
if (pos < size) {
word = str.substr(i, pos - i);
words.push_back(word);
i = pos + pattern.size() - ;
num++;
}
}
return num;
} //param example: model/deploy_age2.prototxt model/age_net.caffemodel model/mean.binaryproto img/0008.jpg
int main(int argc, char* argv[])
{
if (argc != )
{
cout << "Command shoud be like ..." << endl;
cout << "AgeAndGenderClassification ";
cout << " \"AGE_NET_MODEL_FILE_PATH\" \"AGE_NET_WEIGHT_FILE_PATH\" \"MEAN_FILE_PATH\" \"TEST_IMAGE\" " << endl;
std::cout << "argc = " << argc << std::endl;
getchar();
return ;
} // Get each file path
string age_model(argv[]);
string age_weight(argv[]);
string mean_file(argv[]);
//string test_image(argv[4]); // Probability vector
vector<Dtype> prob_age_vec; // Set mode
Caffe::set_mode(Caffe::GPU); // Make AgeNet
AgeNet age_net(age_model, age_weight, mean_file); // Initiailize both nets
age_net.initNetwork(); //读取待测试的图片名
std::ifstream fin("E:\\caffe\\DEX_age_gender_predict\\lap2\\Validation.txt");
std::string line;
std::vector<std::string> test_images;
std::vector<int> test_images_age;
while (!fin.eof()) {
std::getline(fin, line);
std::vector<std::string> words;
split(line, " ", words);
test_images.push_back(words[]);
test_images_age.push_back(atoi(words[].c_str()));
}
std::cout << "test_images size = " << test_images.size() << std::endl; std::ofstream fout("E:\\caffe\\DEX_age_gender_predict\\lap2\\Validation_predict.txt");
for (int k = ; k < test_images.size(); ++k) {
std::cout << "k = " << k << std::endl;
std::string test_image;
test_image = test_images[k]; // Classify and get probabilities
Mat test_img = imread(test_image, CV_LOAD_IMAGE_COLOR);
int age = age_net.classify(test_img, prob_age_vec); // Print result and show image
//std::cout << "prob_age_vec size = " << prob_age_vec.size() << std::endl;
//for (int i = 0; i < prob_age_vec.size(); ++i) {
// std::cout << "[" << i << "] = " << prob_age_vec[i] << std::endl;
//} //Dtype prob;
//int index;
//get_max_value(prob_age_vec, prob, index);
//std::cout << "prob = " << prob << ", index = " << index << std::endl; //imshow("AgeAndGender", test_img);
//waitKey(0);
fout << test_images[k] << " " << test_images_age[k] << " " << age << std::endl; } std::cout << "finish!" << std::endl;
getchar();
return ;
}
我的命令参数为：E:\caffe\DEX_age_gender_predict\lap2\deploy.prototxt E:\caffe\DEX_age_gender_predict\lap2\snapshot\bvlc_iter_50000.caffemodel model\mean.binaryproto img\0008.jpg
可根据实际情况修改。可得到Validation_predict.txt文件。运行过程中可能会因为内存不足中断运行，可能要分批次运行多次。
2、计算MAE及ε-error
（1）将Validation_predict.txt文件及验证集的标注文件Reference.csv拷贝到新建的vs项目的工作目录下；
（2）计算
#include <iostream>
#include <string>
#include <fstream>
#include <vector> int split(std::string str, std::string pattern, std::vector<std::string> &words)
{
std::string::size_type pos;
std::string word;
int num = ;
str += pattern;
std::string::size_type size = str.size();
for (auto i = ; i < size; i++) {
pos = str.find(pattern, i);
if (pos == i) {
continue;//if first string is pattern
}
if (pos < size) {
word = str.substr(i, pos - i);
words.push_back(word);
i = pos + pattern.size() - ;
num++;
}
}
return num;
} int main(int argc, char** argv)
{
//u, sigma, x
std::vector<int> u;
std::vector<float> sigma;
std::vector<int> predict; std::string line;
std::ifstream csv_file("Reference.csv");
while (!csv_file.eof()) {
std::getline(csv_file, line);
std::vector<std::string> words;
split(line, ";", words);
u.push_back(atoi(words[].c_str()));
sigma.push_back(atof(words[].c_str()));
}
std::ifstream predict_file("Validation_predict.txt");
while (!predict_file.eof()) {
std::getline(predict_file, line);
std::vector<std::string> words;
split(line, " ", words);
predict.push_back(atoi(words[].c_str()));
}
if (u.size() != predict.size()) {
std::cout << "u.size() != predict.size()" << std::endl;
getchar();
return -;
} //MAE
int sum_err = ;
float MAE = ;
for (int i = ; i < u.size(); ++i) {
sum_err += abs(u[i] - predict[i]);
}
MAE = static_cast<float>(sum_err) / u.size();
std::cout << "MAE = " << MAE << std::endl;//11.7184 //esro-error
std::vector<float> errors;
float err = ;
float error = 0.0;
for (int i = ; i < u.size(); ++i) {
err = 1.0 - exp(-1.0*(predict[i] - u[i])*(predict[i] - u[i]) / ( * sigma[i] * sigma[i]));
errors.push_back(err);
error += err;
}
error /= errors.size();
std::cout << "error = " << error << std::endl;//0.682652 std::cout << "finish!" << std::endl;
getchar();
return ;
}
最终得到MAE为11.7184， ε-error为0.682652。
七、实际应用中预测
1、可利用caffe提供的classification工具对输入图片地进行估计
classification deploy.prototxt snapshot\bvlc_iter_50000.caffemodel imagenet_mean.binaryproto ..\age_labels.txt ..\test_image\test_3.jpg
pause
其中，age_labels.txt为0-100个label的说明信息，每个label对应一行，共101行，我的写法如下：
end