---

←上一篇↓↑下一篇→

4.4 Triplet 損失	回到目錄	4.6 什么是神經風格轉換？

---

人臉驗證與二分類 (Face Verification and Binary Classification)

Triplet loss是一個學習人臉識別卷積網絡參數的好方法，還有其他學習參數的方法，讓我們看看如何將人臉識別當成一個二分類問題。

另一個訓練神經網絡的方法是選取一對神經網絡，選取Siamese網絡，使其同時計算這些嵌入，比如說128維的嵌入（編號1），或者更高維，然后將其輸入到邏輯回歸單元，然后進行預測，如果是相同的人，那么輸出是1，若是不同的人，輸出是0。這就把人臉識別問題轉換為一個二分類問題，訓練這種系統時可以替換Triplet loss的方法。

最后的邏輯回歸單元是怎么處理的？輸出 $\hat{y}$ 會變成，比如說sigmoid函數應用到某些特征上，相比起直接放入這些編碼（ $f(x^{(i)},f(x^{(j)}))$ ），你可以利用編碼之間的不同。

$\hat{y}=\sigma ({\sum }_{k=1}^{128}{w}_i|f(x^{(i)}{)}_k?(x^{(j)}{)}_k|+b$

我解釋一下，符號 $f(x^{(i)}{)}_k$ 代表圖片 $x^{(i)}$ 的編碼，下標 $k$ 代表選擇這個向量中的第 $k$ 個元素， $|f(x^{(i)}{)}_k?f(x^{(j)}{)}_k|$ 對這兩個編碼取元素差的絕對值。你可能想，把這128個元素當作特征，然后把他們放入邏輯回歸中，最后的邏輯回歸可以增加參數 $w_i$ 和 $b$ ，就像普通的邏輯回歸一樣。你將在這128個單元上訓練合適的權重，用來預測兩張圖片是否是一個人，這是一個很合理的方法來學習預測0或者1，即是否是同一個人。

還有其他不同的形式來計算綠色標記的這部分公式（ $|f(x^{(i)}{)}_k?f(x^{(j)}{)}_k|$ ），比如說，公式可以是 $\frac{(f(x^{(i)}{)}_k?f(x^{(j)}{)}_k{)}^2}{f(x^{(i)}{)}_k+f(x^{(j)}{)}_k}$ ，這個公式也被叫做 ${\chi }^2$ 公式，是一個希臘字母 $\chi$ ，也被稱為 $\chi$ 平方相似度。

? Yaniv Taigman, Ming Yang, Marc’Aurelio Ranzato, Lior Wolf (2014). DeepFace:Closing the gap to human-level performance in face verification

這些公式及其變形在這篇DeepFace論文中有討論，我之前也引用過。

但是在這個學習公式中，輸入是一對圖片，這是你的訓練輸入 $x$ （編號1、2），輸出 $y$ 是0或者1，取決于你的輸入是相似圖片還是非相似圖片。與之前類似，你正在訓練一個Siamese網絡，意味著上面這個神經網絡擁有的參數和下面神經網絡的相同（編號3和4所示的網絡），兩組參數是綁定的，這樣的系統效果很好。

之前提到一個計算技巧可以幫你顯著提高部署效果，如果這是一張新圖片（編號1），當員工走進門時，希望門可以自動為他們打開，這個（編號2）是在數據庫中的圖片，不需要每次都計算這些特征（編號6），不需要每次都計算這個嵌入，你可以提前計算好，那么當一個新員工走近時，你可以使用上方的卷積網絡來計算這些編碼（編號5），然后使用它，和預先計算好的編碼進行比較，然后輸出預測值 $\hat{y}$ 。

因為不需要存儲原始圖像，如果你有一個很大的員工數據庫，你不需要為每個員工每次都計算這些編碼。這個預先計算的思想，可以節省大量的計算，這個預訓練的工作可以用在Siamese網路結構中，將人臉識別當作一個二分類問題，也可以用在學習和使用Triplet loss函數上，我在之前的視頻中描述過。

總結一下，把人臉驗證當作一個監督學習，創建一個只有成對圖片的訓練集，不是三個一組，而是成對的圖片，目標標簽是1表示一對圖片是一個人，目標標簽是0表示圖片中是不同的人。利用不同的成對圖片，使用反向傳播算法去訓練神經網絡，訓練Siamese神經網絡。

這個你看到的版本，處理人臉驗證和人臉識別擴展為二分類問題，這樣的效果也很好。我希望你知道，在一次學習時，你需要什么來訓練人臉驗證，或者人臉識別系統。

課程板書

---

←上一篇↓↑下一篇→

4.4 Triplet 損失	回到目錄	4.6 什么是神經風格轉換？

---

總結

以上是生活随笔為你收集整理的4.5 人脸验证与二分类-深度学习第四课《卷积神经网络》-Stanford吴恩达教授的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。