4.5 面部驗證與二分類
Face verification and binary classification
利用Triplet loss是訓練Siamese網絡非常有效的方法，當然還有其他的訓練方法。比如，将人臉識别問題看作是一個二分類問題。将兩幅影像輸入Siamese網絡，假設輸入為x(i)、x(j)，那麼編碼輸出為f(x(i))、f(x(j))，将編碼輸入邏輯回歸單元，然後進行預測。如果兩幅影像是同一個人，那麼标簽y應為1，否則為0。 邏輯回歸單元的處理方法：
上述公式中，針對兩幅影像128維的編碼，對每個次元內插補點的絕對值，增權重重w和偏置b，然後128維累加，最後在進行邏輯歸回。除了取內插補點絕對值之外，還有其他的處理方法，例如Χ平方相似度:
系統性能提升技巧： 由于網絡在做邏輯回歸之前，需要得到圖像128維的編碼。那麼在網絡訓練好之後，可以對資料庫中所有的影像進行編碼并進行存儲，然後待檢測人員的圖像在輸入系統編碼後，隻需要跟以及存儲好的圖像編碼進行相似度計算即可。
4.6 什麼是神經風格轉換? What is neural style transfer?
C為内容圖像，S為風格圖像，G為内容圖像經過風格轉換後的圖像。
4.7 深度卷積網絡在學什麼? What are deep ConvNets learning?
以Alexnet為例，展示卷積神經網絡不同隐藏單元之間的計算結果。以layer1為例，由于使用了ReLu激活函數，那麼尋找能夠使得該層單元激活最大的圖檔或圖檔塊，即找到哪一張圖檔最大的激活了特定單元。
在layer1，隻能看到小部分的卷積神經(未經過pooling)，如果要畫出來哪些激活了激活單元，隻有一小塊圖檔塊是有意義的，因為這就是特定單元所能看到的全部。圖中可以看到，layer1中，圖檔中的邊緣或線條、顔色陰影等圖檔塊得到激活。可以了解為，第一層的隐藏單元通常會找一些簡單的特征，比如說邊緣或者顔色陰影。
第二層似乎檢測到更複雜的形狀和模式，比如有很多垂線的垂直圖案。
第三層檢測到更複雜的模式，比如圓形、蜂窩狀或方形等有規律圖案、人類等。
第四層檢測到的模式和特征更加複雜，例如狗類、鳥類的腳等。
第五層檢測到更加複雜的事物，例如鍵盤類的物體、文本、花、狗類等。 簡而言之，一層的邊緣，第二層的質地，到深層的複雜物體。
4.8 代價函數 Cost function 訓練神經風格轉換系統，首先要定義代價函數。
定義代價函數形式如下：
其中，Jcontent是内容代價，用來度量内容圖像C與生成圖像G的内容有多相似。Jstyle是風格代價，用來衡量風格圖像S與生成圖像G風格的相似度。兩種之間的權重由超參α合β來描述。
算法簡要流程：1、随機初始化生成圖像；2、構造代價函數，并利用GD方法最小化代價函數。最小化代價函數的過程就是生成圖像的過程。