吴恩达卷积神经网络4：人脸识别
4.1、What is face recognition?
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。
4.2、One-shot learning
人脸识别模型只能通过仅仅一张照片来学习，然后就要对比输入给出输出了。
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
One-shot learning只需要学习函数d(img1, img2)。
4.3、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
而后我们的目标就很明显了，如果这两张图片表示的是同一个人，那么最后两个向量的距离计算的结果就一定要小；如果两个图片表示的不是同一个人，那么最后的结果当然要大得多。
接下来我们要研究的就是，如果利用函数来实现这个网络了。
4.4、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
为了确保网络对于所有的编码，不会总输出0或者都设成互相相等的
- 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。
- 选择A，P，N：
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
4.5、Face verification and binary classification
不同于上一节的处理方法，人脸识别问题可抽象为一个二分类的问题。
PS:
- 两张图片所经过的神经网络相同，两组参数是绑定的，这样的效果会不错。
- 可以预计算数据库中数据的向量，而不是现计算，这样既可以省时间又可以省资源。而且又因为不用存储原始图像，所以每个员工所占的空间也不多。
4.6、What is neural style transfer?
4.7、What are deep ConvNets learning？
从第一层的隐藏单元开始，假设遍历了训练集，找出该层**函数输出最大的9块图像区域；然后再找出该层的其他单元（不同的滤波器通道）**函数输出最大的9块图像区域。其中每个3*3区域表示一个运算单元。
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。
4.8、Cost function
代价函数有两部分构成，第一部分内容代价函数：关于内容图片和生成图片的函数，用来度量生成图片G的内容与内容图片C的内容有多相似；第二部分风格代价函数：关于S和G的函数，用来度量S和G的风格的相似度；最后用两个超参数来确定内容代价和风格代价两者之间的权重。
4.9、Content cost function
注意：隐藏层l如果太小，生成的图片和内容图片在像素上会很接近；如果层数比较深，就会考虑内容图片里是否有狗，然后就确保生成图片里有一个狗。所以在实际中，l在网络中既不会选得太浅，也不会选得太深。
4.10、Style cost function
4.11、1D and 3D generalizations of models
应用：医疗检查（CT）、电影中检测动作以及人物行为等。