特殊应用：人脸识别和神经风格转换

 Triplet损失

为了应用三元组损失函数，我们需要比较成对的图像。

为了学习网络的参数，你需要同时看几幅图片，比如这两张，你想要它们的编码相似因为这是同一个人，然而假如是这对图片，你会想要它们的编码差异大一些。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(意味着是同一个人)图片的距离很接近， 然而与negative图片对比时，你想要图片的距离远一点。这就是为什么叫做三元组损失，它同时包括你看到的anchor、positive、negative三种图片，简写成APN

 

 

 

 三元组损失函数的定义是基于三张图片的

代价函数

给你一个内容图像C，给定一个风格图片S，而你的目标是生成一个新图片G。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。用来判断 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。

如何判断生成图像的好坏，我们需要将代价函数定义为两个部分：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的内容与内容图片C的内容有多相似然后我们会把结果加上；一个风格代价函数，也就是关于S和G的函数用来度量图片G的风格和图片S的风格的相似度。最后我们用两个超参α与β来确定内容代价和风格代价。

 

 内容代价函数

 

风格损失函数