基于PyTorch 实现多任务学习，在同时识别年龄与性别。
IMDB-WIKI 数据集，460,723张图片。
这里为简洁只使用 IMDB 数据集。
460723张照片为平衡每个年龄最多只保存5000张，清洗后得到163065张，按年龄分布作图：
提取163065张图片：
$ python pre_process.py$ python train.py| # | 图片大小 | 网络 | 性别准确度(验证集) | 年龄MAE(验证集) | 年龄损失函数 | 批量大小 | Loss | 年龄权重 |
|---|---|---|---|---|---|---|---|---|
| 1 | 112x112 | ResNet-18 | 90.756% | 5.710 | 回归(L1Loss) | 32 | 0.9757 | 0.1 |
| 2 | 224x224 | ResNet-18 | 90.887% | 5.694 | 回归(L1Loss) | 32 | 0.9719 | 0.1 |
| 3 | 112x112 | ResNet-18 | 90.140% | 5.986 | 回归(L2Loss) | 32 | 1.121 | 0.01 |
| 4 | 224x224 | ResNet-18 | 90.064% | 8.475 | 分类(交叉熵) | 32 | TBD | TBD |
| 5 | 224x224 | ResNet-50 | 90.034% | TBD | 分类(交叉熵) | 32 | TBD | TBD |
下载预训练的模型 Link，执行：
$ python demo.py效果图如下：
| 原图 | 校准 | 识别 | 标注 |
|---|---|---|---|
 |
 |
性别：女, 年龄：29 | 性别：女, 年龄：24 |
 |
 |
性别：女, 年龄：29 | 性别：男, 年龄：26 |
 |
 |
性别：男, 年龄：34 | 性别：男, 年龄：49 |
 |
 |
性别：女, 年龄：29 | 性别：女, 年龄：29 |
 |
 |
性别：男, 年龄：36 | 性别：女, 年龄：23 |
 |
 |
性别：男, 年龄：29 | 性别：男, 年龄：15 |
 |
 |
性别：男, 年龄：34 | 性别：男, 年龄：32 |
 |
 |
性别：男, 年龄：42 | 性别：男, 年龄：42 |
 |
 |
性别：男, 年龄：36 | 性别：女, 年龄：31 |
 |
 |
性别：男, 年龄：39 | 性别：男, 年龄：59 |
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent