人工智能及大數(shù)據(jù)學(xué)習(xí)-facenet人臉分類實(shí)踐筆記

20180123日01:14:05wonderseen取其典型，對(duì)facenet進(jìn)行探究。Facenet有不少有趣的創(chuàng)新。||f（x）||=（二）.knn原理：三張圖對(duì)應(yīng)于兩個(gè)：保證|ab|tripletloss：三張輸入的loss（之前都是double/single量過于龐大，處理這種情況，考慮兩種采用minibatch的方法：生成隨機(jī)pairs）剩下的19選擇一張hardpositive，就是跟他最不相似的同時(shí)在包括其他類的所有里，選擇一張hard——negative，就是和這張最像的c。進(jìn)行訓(xùn)練。.結(jié)果就變成了類間分類，PositivePair的樣本對(duì)訓(xùn)練沒有積極作用。|positive——pair||negative——pairabp優(yōu)化過程中，b和a的距離也保持在很小的水平），那么bp的反把一對(duì)含有同一個(gè)人的兩張pair稱為PositivePair。把一對(duì)來自兩個(gè)人的兩張pair稱為NegativePair。TP:把PositivePair正確判定為PositivePair；TN:NegativePairNegativePair；FP:把NegativePair正確判定為PositivePair；FN:把PositivePair正確判定為NegativePair；LFW復(fù)現(xiàn)結(jié)果：以LFW為訓(xùn)練集、以LFW為測(cè)試集。loss收斂相當(dāng)快，訓(xùn)練速度和作者說的差不多。作者硬件1070ti，是1080ti，迭代15000次，準(zhǔn)確率到0.98，一個(gè)多小時(shí)（epoch1000batchbatch0.20.3成的6000對(duì)pair進(jìn)行一一檢驗(yàn)，以triplet方式衡量編的好壞，這部分平均耗時(shí)10秒以上）pair.txt雖然是事先隨機(jī)的抽取，不過所有pair被了，可能無法代表部分判別項(xiàng)。于是，我把pair.txt文件刪了，寫了新，保證每次pair都是隨機(jī)生10000，samenotsame12pair生成，雖然增加了圖像IO隊(duì)列的流動(dòng)成本，但是事實(shí)證實(shí)了網(wǎng)絡(luò)收斂地更快。僅迭代1200次，evaluate的結(jié)果就達(dá)到了0.98。調(diào)試時(shí)疑惑不解scipy的圖像數(shù)據(jù)，plt.show和cv2.imshow，結(jié)果不同。scipy.misc.imread按照RGB格式，opencv按照BGR格式?？梢哉f是很插曲facenet為了節(jié)省樣本的時(shí)間，采用p