面部驗證與二分類（Face verification and binary classification）

Triplet loss是一個學習人臉識別卷積網絡參數的好方法，還有其他學習參數的方法，讓我們看看如何將人臉識別當成一個二分類問題。

另一個訓練神經網絡的方法是選取一對神經網絡，選取Siamese網絡，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迴歸單元，然後進行預測，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一個二分類問題，訓練這種系統時可以替換Triplet loss的方法。

最後的邏輯迴歸單元是怎麼處理的？

輸出y^會變成，比如說sigmoid函數應用到某些特徵上，相比起直接放入這些編碼（f(x^(i)),f(x^(j))），你可以利用編碼之間的不同。

我解釋一下，符號f(x^(i) )_k代表圖片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。

你可能想，把這128個元素當作特徵，然後把他們放入邏輯迴歸中，最後的邏輯迴歸可以增加參數w_i和b，就像普通的邏輯迴歸一樣。你將在這128個單元上訓練合適的權重，用來預測兩張圖片是否是一個人，這是一個很合理的方法來學習預測0或者1，即是否是同一個人。

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((f(x^((i)) )_k-f(x^((j)) )_k )^2)/(f(x^((i)) )_k+f(x^((j)) )_k )，

這個公式也被叫做χ^2公式，是一個希臘字母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論文中有討論，之前也引用過。

但是在這個學習公式中，輸入是一對圖片，這是你的訓練輸入x（編號1、2），輸出y是0或者1，取決於你的輸入是相似圖片還是非相似圖片。

與之前類似，你正在訓練一個Siamese網絡，意味著上面這個神經網絡擁有的參數和下面神經網絡的相同（編號3和4所示的網絡），兩組參數是綁定的，這樣的系統效果很好。

之前提到一個計算技巧可以幫你顯著提高部署效果，如果這是一張新圖片（編號1），當員工走進門時，希望門可以自動為他們打開，這個（編號2）是在數據庫中的圖片，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，你可以提前計算好，那麼當一個新員工走近時，你可以使用上方的卷積網絡來計算這些編碼（編號5），然後使用它，和預先計算好的編碼進行比較，然後輸出預測值y^。

因為不需要存儲原始圖像，如果你有一個很大的員工數據庫，你不需要為每個員工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，將人臉識別當作一個二分類問題，也可以用在學習和使用Triplet loss函數上，我在之前的視頻中描述過。

總結一下，把人臉驗證當作一個監督學習，創建一個只有成對圖片的訓練集，不是三個一組，而是成對的圖片，目標標籤是1表示一對圖片是一個人，目標標籤是0表示圖片中是不同的人。利用不同的成對圖片，使用反向傳播算法去訓練神經網絡，訓練Siamese神經網絡。

這個你看到的版本，處理人臉驗證和人臉識別擴展為二分類問題，這樣的效果也很好。

希望你知道，在一次學習時，你需要什麼來訓練人臉驗證，或者人臉識別系統