如何在Keras中基于预训练InceptionV3实现人脸识别用Siamese Network?
人脸识别Siamese网络Keras实现补全指南
核心报错根源
- 两次独立实例化InceptionV3的写法存在本质设计问题:Siamese网络的两个分支必须共享完全一致的权重参数,独立创建两个带独立权重的模型,不仅会重复加载两次ImageNet预训练权重、直接翻倍显存占用,还会因为内部卷积层命名完全重复,触发Keras的层注册冲突报错,也不符合孪生网络的核心设计逻辑
- 缺失全局池化、距离层自定义实现、网络组装的相关模块导入,也是代码运行报错的常见触发点
分步代码补全
1. 替换独立子网络为共享权重的特征提取器
删掉原有代码中两次实例化InceptionV3的冗余写法,只创建1次带预训练权重的InceptionV3作为公共特征提取器,同时补充全局平均池化层将输出的4维特征图转换为固定长度的特征向量:
# 仅实例化一次InceptionV3作为双分支共享的特征提取器 feature_extractor = InceptionV3( include_top=False, weights="imagenet", input_shape=IMG_SHAPE ) # 全局平均池化,将InceptionV3输出的5x5x2048特征图压缩为2048维固定长度向量 gap = GlobalAveragePooling2D() # 用同一个共享实例处理左右分支输入,实现真正的权重共享 feat_left = gap(feature_extractor(left_input)) feat_right = gap(feature_extractor(right_input))
2. 实现可微分的距离层
Keras没有内置适配Siamese的距离计算层,需要用Lambda层实现特征比对逻辑,人脸验证场景最常用的L1逐元素绝对差实现如下:
import keras.backend as K from keras.layers import Lambda # 定义L1距离计算逻辑 def compute_l1_distance(feature_pair): feat_a, feat_b = feature_pair return K.abs(feat_a - feat_b) # 距离层实例化 distance_layer = Lambda(compute_l1_distance)([feat_left, feat_right])
精度优化方案:可在距离层拼接逐元素乘积特征,进一步提升人脸比对的准确率,替换原有距离层代码即可:
from keras.layers import concatenate distance_layer = concatenate([ Lambda(compute_l1_distance)([feat_left, feat_right]), # 逐元素绝对差 Lambda(lambda pair: pair[0] * pair[1])([feat_left, feat_right]) # 逐元素相乘 ])
3. 组装完整可运行的孪生网络
通过Keras的Model类关联双输入、距离层、最终分类输出,完成网络闭环:
from keras.models import Model # 定义完整孪生网络的输入输出 siamese_net = Model(inputs=[left_input, right_input], outputs=prediction)
运行注意事项
- 训练时可先冻结InceptionV3的底层参数,仅训练顶层特征提取层和后续分类头,避免小样本数据集过拟合
- 网络编译阶段使用
binary_crossentropy作为损失函数,匹配0/1的匹配判断输出 - 补全所有缺失的模块导入:
Input、Dense、GlobalAveragePooling2D、Model均需要从Keras对应模块导入,否则会触发未定义变量报错
内容的提问来源于stack exchange,提问作者Sarath
相关产品推荐
相关产品推荐

