mtcnn+facenet学习

CNN的知识：
基本流程：卷积-ReLU-池化
重点就是特区函数特征，然后训练计算各个参数权重 （先初始化权重，然后通过模型训练不断地更新权重得到）
经过误差反向传播 ，学会找到卷积核，权重
超参数：初始指定的卷积核数目尺寸
1.卷积
卷积核（特征提取器）
卷积运算，不同的卷积核对原图进行运算就能提取出不同的特征
2.池化
将得到的FeatureMap缩小，池化要求一定要保留原特征图的特征
最大池化：选择被扫描区域内的最大值，平均池化：取被扫描区域内的平均值
在处理边缘时的操作称为（Padding）如果对图像采用最大池化，则在边缘补零来提取边缘特征

3.ReLU激活函数（修正线性单元）
把负数抹成零
4.全连接层
特征图们展开得到一条特征数组，对数组按目标图的数组权值操作得到一个判断是否为目标的概率数。
FaceNet：（其他博主连接）
triplet_loss：使同一个人的欧氏距离缩小，不同人的欧氏距离扩大
facenet的主干网络起到提取特征的作用
详见 Pytorch 搭建自己的Facenet人脸识别平台
MTCNN：
详见 Keras搭建mtcnn人脸检测平台
配套B站视频