论文：Age and Gender Classification using Convolutional Neural Networks - 2015. Multi-task Multi-label 类似问题.
主要是针对年龄和性别分别建立分类问题，基于CaffeNet，年龄转化为 8 类别、性别为 2 分类问题，训练两个网络模型，实现原理较为直接简单.
<h2>1. 年龄和性别分类的CNN网络</h2>
CNN的第一个应用是用于字符识别的 LeNet5 网络. 随着GPU发展，训练数据的快速增长，用于图像分类的深度CNN网络显著提高了准确率. 随后，CNN成功应用于更多领域，如人体姿态估计、人脸关键点检测、语音识别及动作分类等. 这里将CNN网络用于年龄和性别分类任务.
收集大型的、标签化的年龄和性别图像训练集有两种方式：
- 用户的个人注册信息，如出生日期和性别，往往是私人信息.
- 手工标注，繁琐且耗时.
现阶段，尚无该类型数据集. 针对小型图像数据集，机器学习方法易出现过拟合问题. 深度CNN网络方法由于其具有大量的模型参数，过拟合问题更加突出. 因此，过拟合问题需要慎重考虑.
<h3>网络结构说明</h3>
Figure2. CNN网络结构例示. 网络包括 3 个卷积层，每一个卷积层后接一个 ReLU 和 Pooling 层. 此外，前两层采用LRN(local response normalization)归一化. 第一个卷积层是 96 个 7×7 fliters， 第二个卷积层是 256 个5×5 fliters，第三个和最后一个卷积层均是 384 个 3×3 fliters. 网络最后是两个全连接层，均是 512 个输出单元. 如Figure3. 主要是基于CaffeNet.
分类问题：
- 年龄分类: 8 类
age = "0 - 2" age = "4 - 6" age = "8 - 13" age = "15 - 20" age = "25 - 32" age = "38 - 43" age = "48 - 53" age = "60 -"
- 性别分类: 2 类</p>
网络输入图片是从 256×256 中裁剪 227×227 大小，输出的全连接层后接 softmax layer，以估计各类的概率. 针对测试图片，概率最大的类即为预测结果.
<h2>2. 联合训练年龄和性别分类网络</h2>
根据对论文方法及其实现的学习，个人考虑，可以将年龄和性别分类问题转化为二标签多任务分类问题，即每张人脸图像均有两个标签——年龄和性别，训练数据格式为：
# train.txt
faceimg1.jpg 1 0
faceimg2.jpg 0 1
faceimg3.jpg 2 0
...
具体操作可参考