###############################################################################
# Load the data from disk
###############################################################################
tstart = time()
db = YouTubeFacesDB('ytfdb.h5', mean_removal=True, output_type='vector')
N = db.nb_samples
d = db.input_dim
C = db.nb_classes
print(N, 'images of size', d, 'loaded in', time()-tstart)
###############################################################################
# Split into a training set and a test set
###############################################################################
db.split_dataset(validation_size=0.25)
X_train, y_train = db.get('train')
X_test, y_test = db.get('val')
###############################################################################
# Train a not very deep network
###############################################################################
print('Create the network...')
model = Sequential()
# Convolutional input layer with maxpooling and dropout
model.add(Convolution2D(16, 6, 6, border_mode='valid', input_shape=d))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.5))
# Load the data from disk
###############################################################################
tstart = time()
db = YouTubeFacesDB('ytfdb.h5', mean_removal=True, output_type='vector')
N = db.nb_samples
d = db.input_dim
C = db.nb_classes
mean_face = db.mean
print(N, 'images of size', d, 'loaded in', time() - tstart)
###############################################################################
# Split into a training set and a test set
###############################################################################
db.split_dataset(validation_size=0.25)
###############################################################################
# Train a not very deep network
###############################################################################
print('Create the network...')
model = Sequential()
# Convolutional input layer with maxpooling and dropout
model.add(Convolution2D(16, 6, 6, border_mode='valid', input_shape=d))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.5))
# Fully connected with ReLU and dropout
model.add(Flatten())
import torch.cuda
import torch
import torch.nn as nn
import torch.optim as optim
from torch.autograd import Variable
from pathlib2 import Path
import os
# Read the script directory, will come in handy later!
script_dir = os.path.dirname(__file__)
# Read the database file
# db = YouTubeFacesDB('/home/ritvik/dl4cv/ytfdb.h5')
db = YouTubeFacesDB(os.path.join(script_dir, "ytfdb.h5"))
# db = YouTubeFacesDB('/home/ritvik/testdata.h5')
db.split_dataset(validation_size=0.2, test_size=0.1)
testAcc = []
testLogs = open("testRecognizerLogs.txt", "a")
# Check if a previously saved model exists
myNetwork = Path("recognizer.pt")
if myNetwork.is_file():
print("Saved model exists...!!!")
network = torch.load("recognizer.pt")
if torch.cuda.is_available():
network.cuda()
#########################################
############TEST THE MODEL###############
#########################################
for inputs_test, labels_test in db.generate_batches(batch_size=100,
