1、人臉驗證，判斷是否與模板一直，是一對一的問題
2、人臉識別，一對多的問題
所以人臉識別對於正確率的要求更高。
在人臉識別系統中，一般資料庫中我們都只有一張某個人的**，如果用一張**來訓練模型，效果很差，所以要解決這個問題需要引入相似函式
一張經過cnn處理之後會輸出全連線層fc，把兩張的的結果計算範數來表示他們的相似程度
對於定義合適的損失函式，這裡引入三元損失函式，通過三張，樣本，正例，反例。從而通過計算樣本與正例的距離和樣本與反例的距離
正例距離應該遠小於反例，但是這裡有個問題，就是都是0的話也成立，所以引入乙個引數，跟svm裡面的軟間隔有點類似
因此定義損失函式如下：
如果樣本與正例距離遠小於樣本與反例距離，那麼損失是0，反之損失就是他們之間的差值，對於多組的訓練樣本，損失函式做累加
對於訓練樣本，通常是每個人有10張這樣，但是在做挑選正例反例時候，最好不要用隨機，而是用人為的方式挑選，更不像的正例和很像的反例，然後這樣神經網路會學習的更好
除了通過triplet loss來做人臉識別，還可以用二分類來處理，同樣兩張做siamese網路處理之後，然後輸入到sigmoid函式中，判斷輸出是0，或者1.
每個過濾器會找出9個影象區域，然後九個過濾器所以找出了這麼多個影象區域，
可以看到第一層檢測的是邊緣或者顏色的資訊，隨著層數的增加，檢測的紋理更加複雜
代價函式有兩部分構成，一部分是生成與原圖的損失+生成與風格圖的損失，再加上兩個超引數
在生成過程中，先隨機生成一張，然後使用梯度下降演算法不斷減小j（g），這樣就讓最後生成有原圖和風格圖的樣子
需要選擇合適的層數來構造，如果層數太小，畫素會很接近，如果層數比較深，某個區域會直接出現在g中
NgDL 第四周深層神經網路
根據前向的矩陣，可以計算出右上的規律，對於第l層的w來說，其維數為 n l n l 1 n l 表示第l層的單元數。如果要做乙個人臉識別的系統 那麼淺層的神經網路，進行特徵識別或邊緣探測，第一張圖中的乙個小方塊就是乙個神經單元？無法理解。比如說有個神經單元去找眼睛的部分，這樣每個神經元就可以找臉部不...
第四周 卷積神經網路 part3
背景 迴圈神經網路是一類以序列資料為輸入，在序列的演進方向進行遞迴且所有節點按鏈式連線的遞迴神經網路。對迴圈神經網路的研究始於二十世紀80 90年代，並在二十一世紀初發展為深度學習演算法之一，其中雙向迴圈神經網路和長短期記憶網路 是常見的的迴圈神經網路。迴圈神經網路具有記憶性 引數共享並且圖靈完備因...
第四周 卷積神經網路 part3
語音問答 機器翻譯 作詞 作詩 模仿寫 模仿寫 影象理解 視覺問答 note 傳統神經網路不考慮上下文關係 迴圈神經網路考慮的核心問題 上下文關係 時序 目標 考慮更多的上下文 迴圈神經網路模仿寫 寫 更多的是模仿其中的格式 比如公式居接下來要換行，if下面跟else等 但是讀起來可能是沒有邏輯 無...