使用 CNN，一种典型（也是最简单）的方法是执行分类或回归：您使用一组标记图像（监督学习）训练一个网络，目的是在训练之后，网络将能够分配正确的标签（在训练集中的可用标签中）到新图像（以前从未见过）。

基本上，您需要：

• 确定哪些是您的标签：它们的年龄可以从 0 到 100，因此您将拥有 101 个标签。您可以决定您有 10 个标签，0-10、10-20 等等...对于回归，您可以使用范围内的实数...
• 训练标记数据：设置 o 对$(img,l)$在哪里$img$指图像和$l$到标签，即对于每个图像，您决定使用的标签中只存在一个标签
• 测试标记数据：同上，但这些图像不会用于训练网络。它们将用于测试其性能
• CNN：设计一个卷积神经网络（或完成一个）来执行分类或回归。那里有很多例子
• 在您的训练数据集上训练 CNN，获得适当的性能指标
• 训练后在您的测试集上测试 CNN，使用相同的性能指标
• 将训练结果与测试结果进行比较，以评估网络的偏差、方差和过拟合问题

编辑（在 Mark.F 评论之后）：

如果您尝试执行分类或回归，网络将略有不同：对于分类，网络只能分配训练数据中可用的值之一（在这种情况下通常为整数）。对于回归，网络将为每个图像分配一个范围内的某个值（例如 0-100）。两种类型或网络的成本函数不同，通常也是最后一层。这两种方法都需要标记数据。

CNN 用于图像，因为它们使用 2D 过滤来提取最重要的特征。基本上，CNN 可以学习最有助于执行所需任务的图像中最重要的“方面”