论文地址： FaceNet: A Unified Embedding for Face Recognition and Clustering
FaceNe t出自 google，它将 人脸 映射到 欧几里得空间，用空间距离 代表 人脸相似度，可用于 人脸识别（是谁）、人脸验证（是不是一个人）、人脸聚类；
FaceNet 在LFW数据集上，准确率为0.9963，在YouTube Faces DB数据集上，准确率为0.9512
核心原理
FaceNet 的基本思想 是 把 人脸 映射成 128维 空间向量，属于同一个人的 向量间距离很小，否则距离很大；
算法流程图
模型输入
输入为 脸部缩略图，所以如果原始图像包含人脸以外的东西，需 先用 人脸检测器如 mtcnn 抠出人脸；
并没有 进行 2d 3d 人脸对齐、缩放 等 预处理； 【人脸缩放容易变形，且真实场景中 人脸就是 有大有小，为了保持 输入尺寸一致，填充即可】
triplets loss
triplets 译为三胞胎，这里翻译为 三联子；
FaceNet 的思路 是把 人脸x 映射成 d维向量，即 f(x)=Rd；
在该向量空间内，模型的目的是：假设 xa(anchor) 代表某人，那么 和他“同类”的人xp(positive) 距离近，和他“异类”的人xn(negative)距离远；如下图
这种思想表示成 loss 即为 triplets loss
其中 α 为常量，可以理解为 距离的临界值，大于该 距离 就不是同一个人，故 存在这样一个关系
[] 后面的 + 替代了上面的关系式，意思是 当 [] 内 大于 0 时，即关系不成立，显然这是不对的，需要通过训练 改变这种情况，L = [] 内的值，即 此时 产生了 loss；
当 [] 内 小于 0 时，即 关系成立，代表 此时 向量表示 效果很好，无需改正了，+会把 小于0 的值 强制变成 0，即 L=0，没有产生 loss；
triplets 筛选
这个 triplets 其实 就是 常规的模型训练的一个样本，也就是说 这里的一个 样本 有 3张人脸，2张属于一个人，另一张属于另一个人，从 loss 也可看出来， a p n 三张图；
triplets 筛选就是 如何 获取 这三张脸，为了 加速 模型收敛，这里 采用了 类似 hard sample 的思想，即 2张属于一个人的脸的 距离 尽可能大(困难样本)，2张不属于一个人的脸 距离 尽可能小(困难样本)；
在实际训练过程中，每个样本都这样生成，计算量太大，不现实，两种优化策略：
1. 每隔 n 步，计算一次 MxN 的矩阵，M 表示人数，N 表示 每个人的 照片数，M可取所有人
2. 在线生成 triplets，即在每个mini-batch中进行筛选positive/negative样本。
本文中，我们采用在线生成triplets的方法。我们选择了大样本的mini-batch（1800样本/batch）来增加每个batch的样本数量。每个mini-batch中，我们对单个个体选择40张人脸图片作为正样本，随机筛选其它人脸图片作为负样本。
负样本选择不当也可能导致训练过早进入局部最小。为了避免，我们采用如下公式来帮助筛选负样本
我们已知在梯度下降中需要对所有样本进行处理过后然后走一步，那么如果我们的样本规模的特别大的话效率就会比较低。
假如有500万，甚至5000万个样本(在我们的业务场景中，一般有几千万行，有些大数据有10亿行)的话走一轮迭代就会非常的耗时。这个时候的梯度下降叫做full batch。
所以为了提高效率，我们可以把样本分成等量的子集。 例如我们把100万样本分成1000份， 每份1000个样本， 这些子集就称为mini batch
传统的softmax loss相比，triplet_loss直接对距离进行度量和优化，效果更明显。根据其他工程人员经验，实际训练中，可以对softmax loss和triplet_loss进行加权，在线调整权值，达到最优
时间关系，废话就不写了
参考资料：
https://zhuanlan.zhihu.com/p/24837264 谷歌人脸识别系统FaceNet解析
https://zhuanlan.zhihu.com/p/70110691 人脸识别经典—FaceNet
// 那个可爱的研究生
https://www.bilibili.com/video/BV1E64y1C7V8?spm_id_from=333.337.search-card.all.click&vd_source=f0fc90583fffcc40abb645ed9d20da32 Pytorch 搭建自己的Facenet人脸识别网络（Bubbliiiing 深度学习 教程）
https://blog.csdn.net/weixin_44791964/article/details/108220265 博客地址
https://github.com/bubbliiiing/facenet-pytorch 源码地址
https://github.com/davidsandberg/facenet
https://www.jianshu.com/p/ec89620954ba
https://www.cnblogs.com/gmhappy/p/9472388.html#top
