最近在温习吴恩达教师的deeplearning.ai课程，所谓温故而知新，看到人脸辨认时，很多以前没有彻底知道的知识如今觉得恍然大悟，思绪明晰了很多，于是很想本人从头到尾，从搜集本人的照片开端来做一团体脸辨认。老手上路，欢送交流！与人脸辨认相近的还有人脸验证，即验证输出图片与宣称的能否是同一团体，例如如今大多的火车站，机场进站时都有人脸验证，旅客进入操作区，零碎扫描身份证车票等信息，验证能否爲宣称的人；领取宝等手机APP上也有人脸验证，每次使用时与之前帐户录入的照片做比对判别能否爲用户，综上所述，人脸验证是1：1成绩。比人脸验证更复杂的是，人脸辨认是1：k成绩 ，例如有个包括k团体的图片库，辨认新输出的图片是k团体中的哪一个，或许哪个都不是，如今有的企业就有使用人脸辨认做门禁，事后把员工人脸图片输出零碎，当有人员进入时，就去零碎内寻觅是哪一团体。我这里要重点讲的就是人脸辨认。深度学习效果好，很大水平上是基于少量训练样本的，而实践的使用中通常只要大批照片，要如何处理这个成绩呢？假设在企业的员工图片库里，能够只要每个员工的几张照片，假如依照其他成绩深度学习的常用办法，将一切图片输出网络，最初应用softmax分类输入标签，但是训练集太小效果会很差，并且当有新员工参加时，还需求重新训练网络。这时，我们就可以学习一个 ’similarity function’ 来处理成绩。d(img1,img2) = degree of defference between images,假如输出两张长相差异很大的人，那麼d(img1,img2)就很大，假如输出两张同一团体的照片或许长相类似的人的照片，d(img1,img2)就很小。要学习这个函数的一个办法就是使用Siamese网络。Siamese网络左右两个网络是构造，参数完全对称相反的，把图片x(i)输出卷积神经网络，经过一系列卷积，池化和全衔接层，最终失掉一个特征向量（假定是128维，即上图中f(x(i)), f(x(j))）,把它看做图像x(i) 的编码，把第二张图片x(j)也输出这个网络，失掉编码f(x(j))，然后将这两个编码输出逻辑回归单元停止预测，于是人脸辨认成绩就应用Siamese网络转化成了一个二分类成绩。要留意这是个多输出成绩，每个输出爲一对图片，当图片中是同一团体，输入标签爲1，当照片是两团体，输入标签爲0.根底的原理弄清楚之后，上面开端搜集照片做一个复杂的人脸辨认模型。由于搜集照片比拟耗时，爲了能有足够的标签爲1（同一团体）的照片，我搜集了七团体，每团体大约30张照片，然后positive_pairs(同一团体)随机生成5000对，negative_pairs(不同的人)随机生成5000对，输出一个Siamese卷积网络，生成128维的编码对，经过一个逻辑回归单元停止二分类，应用反向传达优化网络参数：随机生成图片对树立Siamese网络应用训练好的网络在测试集上测试，训练了几轮当时训练集和验证集的精确率曾经很高，最初测试集的精确率并没有到达，估量还是数据太少，模型太粗陋，不过我的目的只是梳理一遍人脸辨认模型树立的思绪，这样就曾经到达了，也提供应大家，希望能有一点点巨大的协助！其中参考了：https://github.com/hfrommane/TF-siamesenethttps://github.com/sorenbouma/keras-oneshot我的完好的代码：https://github.com/zhaoloulou/face-recognition