吴恩达深度学习L4W4人脸识别

1、One-shot learning

        人脸识别往往每个人只有一张照片，因此不应该用卷积神经网络配合softmax训练。

         应该选择学习 Similarity 函数。详细地说，你想要神经网络学习这样一个用𝑑表示的函数，𝑑(𝑖𝑚𝑔1,𝑖𝑚𝑔2) = 𝑑𝑒𝑔𝑟𝑒𝑒 𝑜𝑓 𝑑𝑖𝑓𝑓𝑒𝑟𝑒𝑛𝑐𝑒 𝑏𝑒𝑡𝑤𝑒𝑒𝑛 𝑖𝑚𝑎𝑔𝑒𝑠，它以两张图片作为输入，然后输出这两张图片的差异值。所以在识别过程中，如果这两张图片的差异值小于某个阈值𝜏（它是一个超参数），那么这时就能预测这两张图片是同一个人，如果差异值大于𝜏，就能预测这是不同的两个人。

2、Siamese网络

Siamese网络：如果你要比较两个图片的话，例如这里的第一张（编 号 1）和第二张图片（编号 2），你要做的就是把第二张图片喂给有同样参数的同样的神经网络，然后得到一个不同的 128 维的向量（编号 3），这个向量代表或者编码第二个图片， 我要把第二张图片的编码叫做𝑓(𝑥 (2) )。这里我用𝑥 (1)和𝑥 (2)仅仅代表两个输入图片，他们没 必要非是第一个和第二个训练样本，可以是任意两个图片。 

 3、Triplet 损失（三元组损失函数）

用三元组损失的术语来说，你要做的通常是看一个 Anchor 图片，你想让 Anchor 图片 和 Positive 图片（Positive 意味着是同一个人）的距离很接近。然而，当 Anchor 图片与 Negative 图片（Negative 意味着是非同一个人）对比时，你会想让他们的距离离得更远一点。

这就是为什么叫做三元组损失，它代表你通常会同时看三张图片，你需要看 Anchor 图 片、Postive 图片，还有 Negative 图片，我要把 Anchor 图片、Positive 图片和 Negative 图片 简写成𝐴、𝑃、𝑁。

为了不让输出一直为0，我们加入一个间隔a

那么损失函数就是： 这个𝑚𝑎𝑥函数的作用就是，只要这个||𝑓(𝐴) − 𝑓(𝑃)|| 2 − ||𝑓(𝐴) − 𝑓(𝑁)|| 2 + 𝑎 ≤ 0，那么 损失函数就是 0。只要你能使画绿色下划线部分小于等于 0，只要你能达到这个目标，那么 这个例子的损失就是 0。

注意，为了定义三元组的数据集你需要成对的𝐴和𝑃，即同一个人的成对的图片，为了 训练你的系统你确实需要一个数据集，里面有同一个人的多个照片。 

        另外，在数据集中你要做的就是尽可能选择难训练的三元组𝐴、𝑃和𝑁。难训练的三元组就是， 你的𝐴、𝑃和𝑁的选择使得𝑑(𝐴, 𝑃)很接近𝑑(𝐴, 𝑁)，即𝑑(𝐴, 𝑃) ≈ 𝑑(𝐴, 𝑁)，这样 你的学习算法 会竭尽全力使右边这个式子变大（𝑑(𝐴, 𝑁)），或者使左边这个式子（𝑑(𝐴, 𝑃)）变小，这样左 右两边至少有一个𝑎的间隔。并且选择这样的三元组还可以增加你的学习算法的计算效率， 如果随机的选择这些三元组，其中有太多会很简单，梯度算法不会有什么效果，因为网络总 是很轻松就能得到正确的结果，只有选择难的三元组梯度下降法才能发挥作用，使得这两边 离得尽可能远。

 4、人脸验证与二分类

        除了用Triplet loss训练参数，还可以用二分类方法。

        

还可以像下图所示用绿色所示的公式代替绿色大括号里的内容

 

        当然，与之前类似，你正在训练一个 Siamese 网络，意味着上面这个神经网络拥有的参数和下面神经网络的相同（编号 3 和 4 所 示的网络），两组参数是绑定的，这样的系统效果很好。 

        当出现新员工来的时候，不需要每次都计算别人的图片的这些特征（编号 6），你可以提前计算好，那么 当一个新员工走近时，你可以使用上方的卷积网络来计算新员工的这些编码（编号 5），然后使用它， 和预先计算好的编码（编号 6）进行比较，然后输出预测值𝑦^。

5、神经风格迁移（neural style transfer）

神经风格迁移不是有监督的学习，因为它没有标签

为了描述如何实现神经网络迁移，我将使用𝐶来表示内容图像，𝑆表示风格图像，𝐺表示 生成的图像

为了实现神经风格迁移，你要做的是定义一个关于𝐺的代价函数𝐽用来评判某个生成 图像的好坏，我们将使用梯度下降法去最小化𝐽(𝐺)，以便于生成这个图像。

第一部分被称作内容代价，这是一个关于内容图片和生成图片的函数，它是用来度量生成图片𝐺的内容与内容图片𝐶的内容有多相似 

第二部分是风格代价函数，也就是关于𝑆和𝐺的函数，用来度量生成图片𝐺的风格和图片𝑆的风格的相似度。 

 α和β是超参数代表权重。

具体怎么计算J呢？

内容代价函数：

 即俩图片的每一层的每个单元的激活值对应求差值的平方和（上图少了个求和）

风格代价函数：

将图片的风格定义为𝑙层中各个通道之间激活项的相关系数。

 之后用梯度下降法，或者更复杂的优化算法来找到一个合适的图像𝐺，并计算𝐽(𝐺)的最 小值，这样的话，你将能够得到非常好看的结果，即每次优化后生成图像在更新。