目錄前言
一次學習 （one-shot learning）
siamese網路（孿生神經網路）
triplet損失（三元組損失）
人臉驗證與二分類 前言
人臉識別應用是目前應用最廣的乙個深度學習的落地專案，如下圖所示，只有真正的人臉才可以成功識別。
人臉識別（face recognition）：是乙個1：k的問題，假如人臉驗證的準確率是99%，那麼乙個識別100人的系統則犯錯概率是1%×100，即100人中很有可能會識別錯誤1個人，這是無法落地的。
人臉驗證的準確率需要足夠高，如99.99%，才能用來構造人臉識別系統。人臉驗證的難點是如何解決一次學習（one-shot）的問題。
one-shot learning：只有乙個訓練樣本，就能成功訓練模型。
要讓人臉識別能夠做到一次學習，現在要做的應該是構造乙個神經網路訓練similarity函式。詳細地說，通過神經網路學習這樣乙個用d表示的函式，如果相似函式輸出的值小於閾值，則系統認為是同乙個人，這樣還有乙個好處是增加新的識別人臉不需要重新訓練神經網路，只需要把這個人的臉送入相似函式執行的資料庫中就行。
可以通過siamese網路實現的相似度判斷。
這裡跟卷積神經網路的區別是，沒有softmax函式，最後全連線層計算出的值作為編碼影象的列向量。
將，即相似度等於。
（對於兩個不同的輸入，執行相同的卷積神經網路，然後比較它們，這一般叫做siamese網路架構。）
如何訓練乙個神經網路的引數，讓其可以成功編碼人臉？方法之一就是定義triplet（三元組損失）函式，然後通過梯度下降等反向傳播更新網路引數。
資料集據包括錨（anchor）示例、正（positive）示例、負（negative）示例 （positive表示是同乙個人）
訓練網路時，讓anchor和positive的編碼相似度大，並且anchor和negative的編碼相似度小。即，
即所以triplet損失（三元組）代表需要同時看三張。
（這樣的好處是只要損失函式小於等於0，網路不會關心負值的大小）
問題- 如何從訓練集中選擇a、p、n ？
好的訓練樣本應該是讓d(a,p) 很接近d(a,n), 這樣才會讓神經網路更新選擇讓d(a,p)盡可能小，d(a,n)盡可能大。
除了用triplet loss的方法，另一種訓練神經網路的方法轉化為分類問題，具體是選取一對神經網路，使其同時計算出f(x(i))的列向量，然後將其一起輸入邏輯回歸單元，然後**輸出1,0，表示是不是相同的人。
還有一些變形來代替綠色標記的公式，如
下面的是資料庫，可以先提前計算好列向量（這樣可以不儲存原始影象），比較的時候，只需要比較新的的列向量。
吳恩達老師課程機器學習筆記
無監督學習 線性回歸 代價函式j 主要演算法 1.監督學習 supervised learning 2.無監督學習 unsupervised learning 其他演算法 1.強化學習 reinforcement learning 2.推薦演算法 recommender systems right ...
吳恩達老師機器學習筆記SVM（一）
時隔好久沒有再拾起機器學習了，今日抽空接著學 上圖為原始資料 這裡套用以前logistic回歸的模板改一下下。load ex6data1.mat theta rand 3,1 m,n size x x ones m,1 新增常量 x x x c 1 for i 1 10000 擬合次數 theta ...
筆記 吳恩達老師機器學習及深度學習
一 教程 機器學習 或者 深度學習 二 網路筆記及課程相關資源 1 吳恩達機器學習筆記 2 深度學習筆記 三 問題整理 1.第二週做程式設計任務提交時出了問題，matlab顯示如下 解決方法 吳恩達 ml作業提交 grader sent no response 補充乙個win7 64系統的curl安...