1，本文思路：
- 对DEX文章DEX Deep EXpectation of apparent age from a single image的基本感悟
本文的结果在2015年Chalearn LAP的比赛中拿到了年龄识别比赛项目的第一名。作者的基本思路是做转移学习（transfer learning）。他的文章主要有两个方面的贡献：
- 构建了一个大型的人脸年龄数据库imdb和wiki数据库，其中imdb有大约461871张人脸，而wiki有62359张人脸。这是现在公布在网上的最大的人脸年龄的数据库。但是这个数据库的缺点是（1）缺少15岁及以下的人脸图片，所以最后训练得到的模型对15岁以下的人物图片预测结果不好；（2）因为是从网上爬取的明星图片，包含大量误差噪声。但是这个年龄数据库已经是现有的最好的年龄数据库了。
- 选用了VGG16的网络，并且通过imagenet比赛上的模型，利用自己的imdb-wiki的数据库进行了finetuning，最后用classification+expected value的方式获得了3.221的mae值，赢得了比赛第一名。
详细步骤请查阅论文。
- 对ordinary regressiong文章Ordinal Regression With Multiple Output CNN for Age Estimation的基本感悟
本文是2016年发表在cvpr上的文章，这篇文章利用排序回归的方式构建了一个轻量级的神经网络，效果同样十分好。改文章同样有这两个方面的贡献：
- 构建了一个亚洲人脸数据库，所有数据是从人人网上爬取的，并且进行了分类整理。该数据库有160K张人脸图片，同样十分庞大。但是数据分布主要在15到40岁之间。现该数据集还没有公布出来
- 自己设计了一个3层的卷积神经网络，利用排序回归的思想进行了年龄回归，在morph数据库上测试mae为3.27。效果十分好。
详细步骤请查阅论文。
- 对以上两篇文章结果的个人感悟
DEX思路效果好，结果稳定，适应情况多，但是模型太大，运算时间长。
Ordinary Regression思路，效果好，模型小，可以做到实时性，但是我在实际测试使用过程中预测结果不稳定。
而且两篇文章的训练数据库都缺少1-15岁的数据集部分。
我从实用性的角度，希望能构建一个预测结果稳定，运行速度快，而且预测范围广泛的网络模型，便选择了使用resnet-50网络模型，结合Tutu公司的1-15岁的人脸数据库以及imdb-wiki数据库，通过finetuning的方式构建了满足以上要求的网络模型。
2，训练过程
图像预处理
网络结构