目录
前言
人脸识别应用是目前应用最广的一个深度学习的落地项目，如下图所示，只有真正的人脸才可以成功识别。
人脸验证（face verification）：判断输入图片和名字是否相符，是一个1:1的问题。
人脸识别（face recognition）：是一个1：K的问题，假如人脸验证的准确率是99%，那么一个识别100人的系统则犯错概率是1%×100，即100人中很有可能会识别错误1个人，这是无法落地的。
人脸验证的准确率需要足够高，如99.99%，才能用来构造人脸识别系统。人脸验证的难点是如何解决一次学习（one-shot）的问题。
一次学习 （one-shot learning）
one-shot learning：只有一个训练样本，就能成功训练模型。
要让人脸识别能够做到一次学习，现在要做的应该是构造一个神经网络训练Similarity函数。详细地说，通过神经网络学习这样一个用d表示的函数， ，它以两张图片作为输入，然后输出这两张图片的差异值。如果你放进同一个人的两张照片，你希望它能输出一个很小的值，如果放进两个长相差别很大的人的照片，它就输出一个很大的值。然后设定一个阈值，如果相似函数输出的值小于阈值，则系统认为是同一个人，这样还有一个好处是增加新的识别人脸不需要重新训练神经网络，只需要把这个人的脸送入相似函数运行的数据库中就行。
Siamese网络（孪生神经网络）
可以通过Siamese网络实现图片的相似度判断。
这里跟卷积神经网络的区别是，没有softmax函数，最后全连接层计算出的值作为编码图像的列向量。
将 和
的距离定义为这两幅图片的编码之差的范数，即相似度等于
。
（对于两个不同的输入，运行相同的卷积神经网络，然后比较它们，这一般叫做Siamese网络架构。）
Triplet损失（三元组损失）
如何训练一个神经网络的参数，让其可以成功编码人脸图片？方法之一就是定义Triplet（三元组损失）函数，然后通过梯度下降等反向传播更新网络参数。
数据集据包括锚（Anchor）示例、正（Positive）示例、负（Negative）示例 （positive表示是同一个人）
训练网络时，让anchor和positive的编码相似度大，并且anchor和negative的编码相似度小。即，
但是如果两边都等于0，则这个式子恒成立却无任何意义。所以会加上一个超参数α（可以理解为间隔，类似SVM中的间隔），变形如下：
即 ，间隔越大，则编码差别要越大。
所以Triplet损失（三元组）代表需要同时看三张图片。
Loss function：
（这样的好处是只要损失函数小于等于0，网络不会关心负值的大小）
注意：为了定义triplet损失，训练的数据集中 需要有一部分人是有成对的照片的，这样才会有成对的Ancho和Positive图片。
问题- 如何从训练集中选择A、P、N ？
好的训练样本应该是让d(A,P) 很接近d(A,N), 这样才会让神经网络更新选择让d(A,P)尽可能小，d(A,N)尽可能大。
人脸验证与二分类
除了用Triplet loss的方法，另一种训练神经网络的方法转化为分类问题，具体是选取一对神经网络，使其同时计算出f(x(i))的列向量，然后将其一起输入逻辑回归单元，然后预测输出1,0，表示是不是相同的人。
还有一些变形来代替绿色标记的公式，如 ，这个公式也被叫做
公式
下面的图片是数据库，可以先提前计算好列向量（这样可以不存储原始图像），比较的时候，只需要比较新的图片的列向量。