卷积神经网络—第四周
一、什么是人脸识别
1、人脸验证，判断是否与模板一直，是一对一的问题
2、人脸识别，一对多的问题
所以人脸识别对于正确率的要求更高。
二、one shot 学习
在人脸识别系统中，一般数据库中我们都只有一张某个人的照片，如果用一张照片来训练模型，效果很差，所以要解决这个问题需要引入相似函数
三、Siamese network
一张图片经过CNN处理之后会输出全连接层FC，把两张图片的的结果计算范数来表示他们的相似程度
四、Triplet Loss
对于定义合适的损失函数，这里引入三元损失函数，通过三张图片，样本，正例，反例。从而通过计算样本与正例的距离和样本与反例的距离
正例距离应该远小于反例，但是这里有个问题，就是都是0的话也成立，所以引入一个参数，跟SVM里面的软间隔有点类似
因此定义损失函数如下：
如果样本与正例距离远小于样本与反例距离，那么损失是0，反之损失就是他们之间的差值，对于多组的训练样本，损失函数做累加
对于训练样本，通常是每个人有10张这样，但是在做挑选正例反例时候，最好不要用随机，而是用人为的方式挑选，更不像的正例和很像的反例，然后这样神经网络会学习的更好
五、面部验证和二分类
除了通过triplet loss来做人脸识别，还可以用二分类来处理，同样两张图片做siamese网络处理之后，然后输入到sigmoid函数中，判断输出是0，或者1.
六、什么是神经风格转化
七、深度卷积网络在学什么
每个过滤器会找出9个图像区域，然后九个过滤器所以找出了这么多个图像区域，
可以看到第一层检测的是边缘或者颜色的信息，随着层数的增加，检测的纹理更加复杂
八、代价函数
代价函数有两部分构成，一部分是生成图片与原图的损失+生成图片与风格图的损失，再加上两个超参数
在图片生成过程中，先随机生成一张图片，然后使用梯度下降算法不断减小j（g），这样就让最后生成图片有原图和风格图的样子
九、内容代价函数
需要选择合适的层数来构造，如果层数太小，像素会很接近，如果层数比较深，某个区域会直接出现在G中
十、风格代价函数
