这部分看上去很复杂，但是通过使用Jupyter notebook、NumPy和Keras，我们就可以很直观地去观察数据、清理数据，并且使用数据来训练神经网络。

根据我们的截图，我们可以发现npy文件中保存的数据和OpenPose模型本身都有三个维度，25个已知的身体位置坐标点，X、Y、以及Confidence。

我们的模型训练工作不需要用到confidence。如果某个身体位置坐标点被命名了，我们就保留它，否则，我们就直接让它为0。

我们已经把（绝大部分）数据梳理好了，现在我们需要把数据特征和标签结合起来。

我们用0代表其他姿势，1代表嘻哈超人舞步、2代表T-Pose舞步。

labels = np.zeros(len(otherDataset))labels = np.append(labels, np.full((len(dabDataset)), 1))labels = np.append(labels, np.full((len(tposeDataset)), 2))print(labels)print("%i total examples for training." % len(labels)) 

接下来，我们可以使用独热编码处理我们的数字标签。也就是说，我们将标签0、1、2转换成[1，0，0]、[0，1，0]、[0，0，1]。之后，我们可以使用sklearn的shuffle函数将数据标签和特征打乱（数据标签和特征仍保持原有的对应关系）

# now, let's shuffle labels and the array, the same wayfrom sklearn.utils import shuffleX1, y1 = shuffle(dataset, labels)# now let's label them for 'one hot'from keras.utils.np_utils import to_categoricaly1 = to_categorical(y1, 3) # we have 3 categories, dab, tpose, otherprint(y1.shape[1)] 

我们的输入数据代表着鼻子、手等等的位置，而它们的是介于0到720和0到1280之间的像素值，所以我们需要把数据归一化。这样一来，我们可以重复使用我们的模型而不用考虑输入图片数据的分辨率。

X1[:,:,0] = X1[:,:,0] / 720 # I think the dimensions are 1280 x 720 ?X1[:,:,1] = X1[:,:,1] / 1280 # let's see?X1 = X1[:,:,1:]print(X1.shape)X1 = X1.reshape(len(X1), 50) # we got rid of confidence percentage 

在最后一步中，我们将把我们的多维数据变成一维。我们会分批向模型输入50个位置信息（25个部位，每个部位的X和Y值）。

构建并训练我们的模型

在Jupyter notebook中使用Keras可以把训练和测试神经网络模型的工作变得十分简单，这也是我最喜欢Keras的地方。

现在我们的数据已经贴上标签准备就绪了，我们可以开始训练一个简单的模型了，只需要几行代码。

现在我们导入Keras库然后训练一个简单的神经网络模型。

from keras.models import Sequentialfrom keras.layers import Dense, Dropout, Activation, Flattenfrom keras.optimizers import SGD 
model = Sequential()model.add(Dense(128, activation='relu', input_shape=(50,)))model.add(Dropout(0.5))model.add(Dense(128, activation='relu'))model.add(Dropout(0.5))model.add(Dense(y1.shape[1], activation='softmax'))model.compile(optimizer='Adam', loss='categorical_crossentropy', metrics=['accuracy'])model.fit(X1, y1, epochs=2000,batch_size=25) 

搞定！

这里有个稍微需要注意的地方，输入层的大小为50，提醒大家一下，这个数字是OpenPose模型中位置点的X坐标和Y坐标数量之和。

最后我们用到了Softmax层，它是用来分类的。我们将y.shape[1]传入该层，这样我们的模型就知道不同类别的数量了。

最后的最后，我们使用输入数据，用model.fit()的方法去训练模型。这里，我已经做了2000次迭代（全部样本训练一次为一次迭代）。2000次迭代貌似有点多了，500次左右的迭代可能更好，因为迭代次数过多可能使我们的模型出现一些过拟合问题。但是不论是哪一种情况，你都需要经过多次尝试来确定迭代次数。

当我们运行这段代码时，我们会看到准确度在提高。如果你看不到，请再次确认当你打乱数据时，数据标签和数据特征的对应关系是不变的。此外，也要确认数据里的数值是不是在0到1之间。

（编辑：晋中站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!