第十三課：特殊應用：人臉識别和神經風格轉換(Specialapoplications:Face recognition&Neural style transfer)
4.1 什麼是人臉識别？
科普
人臉識别可能一個人的識别準确率是99%,那麼100個人的識别可能需要更高的準确率，99.9%等等。
4.2 One-Shot學習
人臉識别所面臨的一個挑戰就是需要解決一次學習問題，要想讓人臉識别做到一次學習，應該使用Similarity函數，如下圖：
檢視輸入的兩張圖檔(img1,img2)的差異性，如果差異性小于一個數，說明相同，差異性大于一個數，說明不相同。
4.3 Siamese網絡(Siamese network)
Siamese網絡就是首先定義了一個編碼函數，對于輸入的函數，能夠輸出一個128維編碼，如果兩個輸入對應的輸出的範數比較小，就是同一個人，相反，就是不同的人。
4.4 Triplet損失
定義三元組損失函數然後應用梯度下降
上面的公式是損失函數，給出3個圖檔，A、P、N，其中A和P是同一個人，A和N是不同的人，定義損失函數如上，$+\alpha$是為了防止損失函數大于0，損失函數的目的是確定損失函數等于0。
隻要損失函數小于0，則損失函數就是0.
上面的A、P、N就是三元組。
三元組的選擇不能太随意，要選擇很難訓練的A、P、N。下圖是解釋:
4.5 人臉驗證與二分類(Face verification and binary classification)
可以把人臉識别當做二分類問題。
定義輸出$\widehat{y}$如下：
如果相同輸出1，相反輸出0
4.6 神經風格遷移(Neural style transfer)
不得不說，第二張合成圖好陰間。。。
C表示内容圖像，S表示風格圖像，G表示生成的圖像。
4.7 深度卷積網絡學習什麼？(What are deep ConvNets learning?)
網絡第一層能檢測出一些邊緣或顔色陰影等，随着層數的加深，能夠檢測到更複雜的東西。圖中舉例的每個方框代表了不同的9個代表性神經元。
4.8 神經風格遷移系統的代價函數
神經風格遷移系統的代價函數：
$$
J(G)=\alpha {J_{content}}(C,G)+\beta J_{style}(S,G)
第一個是内容代價函數，第二個是風格代價函數。
前面的系數表示權重
上面定義了一個生成圖檔G的代價函數，并将其最小化。
4.9 内容代價函數(Content cost function)
用$a^{[l][C]}$和$a^{[l][G]}$來代表兩個圖檔C和G的l層的激活函數值。如果兩個激活值相似，那麼就意味着兩個圖檔的内容相似，是以：
内容代價函數：
J_{content}(C,G)=\frac{1}{2}||a^{[l][C]}-a^{[l][G]}||^2
通過超參數$\alpha$來調整代價函數。
4.10 風格代價函數(Style cost function)
沒怎麼看懂，給出了一個風格代價函數。
4.11 一維和三維推廣
之前講的卷積都是在2D上讨論的，當然可以以相同的方式來推廣到1D和3D空間。
OVER！