MXNET平台：

模型13M，实时对摄像头测试，年龄值跳动比较频繁，需要加权或者跟踪算法。

https://github.com/yeyupiaoling/Age-Gender-MXNET

安装：pip install mxnet-cu101==1.5.0

看demo效果不错：

自己改写了一个摄像头实时预览代码：

import argparse
import cv2
import mxnet as mx
import numpy as np
from utils import face_preprocess
from utils.mtcnn_detector import MtcnnDetector
parser = argparse.ArgumentParser()
parser.add_argument('--image_size',   default='112,112',           help='models input size.')
                    MXNET平台：https://github.com/yeyupiaoling/Age-Gender-MXNET安装：pip install mxnet-cu101==1.5.0看demo效果不错：torch平台，给了精度，还没实测：https://github.com/PineYangp/age_genderModel			male_mae			male_rmse			female_mae			female_rmse			gender acc		basel...
				
感受野计算
感受野的定义：
卷积神经网络每一层输出的特征图（feature map）上的像素点在原始图像上映射的区域大小；通俗点说，就是图像的最终输出的每一个特征（每一个像素）到底受到原始图像哪一部分的影响。
来看判断题：
假设原始图像大小为10×10，卷积核大小为3×3，则经过一次卷积运算后输出的图像（output1）大小为8×8（10-3+1=8），经过第二次卷积运算输出的图像（output2）大小为6×6（8-3+1=6）。output2输出的每一个特征（即每一个像素）受到output1的范围影响为3×3，而output1中的这个3×3又受到原始图像影响的范围是多少呢？
假设原始图像影
				
自从AlexNet一举夺得ILSVRC2012ImageNet图像分类竞赛的冠军后，卷积神经网络（CNN）的热潮便席卷了整个计算机视觉领域。CNN模型火速替代了传统人工设计（hand-crafted）特征和分类器，不仅提供了一种端到端的处理方法，还大幅度地刷新了各个图像竞赛任务的精度，更甚者超越了人眼的精度（LFW人脸识别任务）。CNN模型在不断逼近计算机视觉任务的精度极限的同时，其深度和尺寸也在成倍增长。表1几种经典模型的尺寸，计算量和参数数量对比随之而来的是一个很尴尬的场景：如此巨大的模型只能在有限的平台下使用，根本无法移植到移动端和嵌入式芯片当中。就算想通过网络传输，但较高的带宽占用也让
 依存关系：
 我们正在创建一个virtualenv并加载必要的库文件。
 Tensorflow == 2.3.0 opencv-python> = 4.2.0.34 opencv-contrib-python> = 4.2.0.34 numpy> = 1.18.3 h5py> = 2.10.0 matplotlib> = 3.2.1
 该数据集包含具有以下规格的真实世界图像
统计和信息照片总数：26,580主题总数：2,284年龄组/标签数：8（0-2、4-6、8-13、15-20、25-32、38-43、48- 53，60-）性别标签：是在野外：是主题标签：是
使用以下链接下载整个氛围数据集：
 运行项目的步骤：
 数据准备：Data_Generation_Adience
				
评估了脑电图信号中P300检测的不同最先进的CNN架构，并在检测性能和模型复杂性方面对它们进行了比较。
Datasets
The evaluation was done on the following datasets:
P300 Akimpech Database (LINI)
BCI Competition II - Data set IIb
BCI Competition III - Data set II
BNCI Horizon 2020
Requirements
Python 3.7
Tensorflow 1.14.0
NumPy
SciPy
Pandas
matplotlib
scikit-learn
cudatoolkit 10.0
cudnn
				
人脸属性指的是根据给定的人脸判断其性别、年龄和表情等，当前在github上开源了一些相关的工作，大部分都是基于tensorflow的，还有一部分是keras，CVPR2015曾有一篇是用caffe做的.
从0到1实现基于Tornado和Tensorflow的人脸、年龄、性别识别
基于caffe的表情识别
tensorflow练习12：利用图片预测年龄与性别
怎样用Keras识别...
				
年龄性别识别
年龄性别识别，基于insightface功能模块开发的，支持多张人脸同时检测和识别。
源码地址：https://github.com/yeyupiaoling/Age-Gender-MXNET
安装mxnet，支持1.3~1.6版本，安装命令如下。
pip install mxnet-cu101==1.5.0
默认支持以下三种数据集，将以下三个数据集下载解压到dataset目录下。
http://afad-dataset.github.io/
http://mmlab
详情请见：
https://github.com/gengyanlei/insightFace-gluon/blob/master/gender-age-symbol-instructions.pdf
				
MATLAB中提供了深度学习工具箱，可以用于实现卷积神经网络（CNN）算法。CNN是一种常用的深度学习算法，用于图像分类、目标检测等任务。
在MATLAB中，可以使用`trainNetwork`函数来训练一个CNN模型。下面是一个简单的例子，展示如何使用`trainNetwork`函数训练一个CNN模型：
```matlab
% 准备数据
imds = imageDatastore('path/to/image/folder', 'IncludeSubfolders', true, 'LabelSource', 'foldernames');
[imdsTrain, imdsTest] = splitEachLabel(imds, 0.8, 'randomize');
% 定义网络结构
layers = [
    imageInputLayer([32 32 3])
    convolution2dLayer(3, 16, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    convolution2dLayer(3, 32, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer];
% 定义训练选项
options = trainingOptions('sgdm', ...
    'MaxEpochs', 10, ...
    'MiniBatchSize', 128, ...
    'Shuffle', 'every-epoch', ...
    'InitialLearnRate', 0.001, ...
    'LearnRateSchedule', 'piecewise', ...
    'LearnRateDropFactor', 0.1, ...
    'LearnRateDropPeriod', 5, ...
    'ValidationData', imdsTest, ...
    'ValidationFrequency', 50, ...
    'Plots', 'training-progress');
% 训练CNN模型
net = trainNetwork(imdsTrain, layers, options);
在上面的例子中，我们首先准备了图像数据，并将其分成了训练集和测试集。然后，我们定义了一个简单的CNN网络结构，并使用`trainNetwork`函数训练了该网络。最后，我们得到了训练好的网络模型`net`。
需要注意的是，CNN算法需要大量的计算资源和数据集来训练。在实际应用中，可以使用预训练的模型或者将训练过程放在GPU上来加速训练过程。