1. 二分類問題
triplet loss是乙個學習人臉識別卷積網路引數的好方法
還有其他學習引數的方法
可以嘗試將人臉識別當成乙個二分類問題
另乙個訓練神經網路的方法是選取一對神經網路，選取siamese網路
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
然後將其輸入到邏輯回歸單元，然後進行**
如果是相同的人，那麼輸出是1，若是不同的人，輸出是0
這就把人臉識別問題轉換為乙個二分類問題，訓練這種系統時可以替換triplet loss的方法
2. 邏輯回歸單元的處理
最後的邏輯回歸單元的處理
比如說sigmoid函式應用到某些特徵上，相比起直接放入這些編碼（f(x(i)),f(x(j))）
可以利用編碼之間的不同
f(x(i))k 代表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
可能想把這128個元素當作特徵，然後把他們放入邏輯回歸中
最後的邏輯回歸可以增加引數 wi 和 b ，就像普通的邏輯回歸一樣
將在這128個單元上訓練合適的權重，用來**兩張是否是乙個人
這是乙個很合理的方法來學習**0或者1，即是否是同乙個人
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
這個公式也被叫做 χ2公式，是乙個希臘字母 χ，也被稱為 χ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**中有討論
但是在這個學習公式中：
輸入是一對，這是訓練輸入x（編號1、2）
輸出y是0或者1，取決於輸入是相似還是非相似
與之前類似，正在訓練乙個siamese網路
意味著上面這個神經網路擁有的引數和下面神經網路的相同（編號3和4所示的網路）
兩組引數是繫結的，這樣的系統效果很好
3. 計算技巧
之前提到乙個計算技巧可以顯著提高部署效果
如果這是一張新（編號1），當員工走進門時，希望門可以自動為他們開啟
這個（編號2）是在資料庫中的，不需要每次都計算這些特徵（編號6），不需要每次都計算這個嵌入
可以提前計算好，那麼當乙個新員工走近時，可以使用上方的卷積網路來計算這些編碼（編號5）
然後使用它，和預先計算好的編碼6進行比較，然後輸出**值
因為不需要儲存原始影象，如果有乙個很大的成員資料庫，不需要為每個成員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
將人臉識別當作乙個二分類問題，也可以用在學習和使用triplet loss函式上
總結一下，把人臉驗證當作乙個監督學習，建立乙個只有成對的訓練集
不是三個一組，而是成對的
目標標籤是1表示一對是乙個人，目標標籤是0表示中是不同的人
利用不同的成對，使用反向傳播演算法去訓練神經網路，訓練siamese神經網路
二分類 多分類
怎麼樣把兩類的分類的模型推廣到多類上？答 a.一對多法 one versus rest,簡稱ovr svms 訓練時依次把某個類別的樣本歸為一類,其他剩餘的樣本歸為另一類，這樣k個類別的樣本就構造出了k個svm。分類時將未知樣本分類為具有最大分類函式值的那類。b.一對一法 one versus on...
二分類問題
模型 帶有relu啟用的dense層堆疊 對於二分類問題，網路的最後一層應該是只有乙個單元並使用sigmoid啟用的dense層，網路的輸出應該是0 1的標量，表示概率值 對於二分類問題的sigmoid標量輸出，應該使用binary crossentroy 二元交叉熵 損失函式 實驗 1 嘗試增加或...
二分類問題
深度學習中的基本問題就是這個，上午我還達到90 85 的acc，現在只有76 臥槽，我動 了啊？有鬼。明明沒怎麼改引數，卻再也回不到過去，這個trick不小啊。既然回不到過去，不妨重新開始吧。我套了一下vgg，發現網路太深了，根本跑不動，效果也不好，減少網路後，acc反而有提高，之前我還以為驗證集有...