很久以前看吴恩达老师的视频和西瓜书时用jupyter写的，今天想起来就把它转到这里

图像识别、目标检测、风格迁移

人脸识别

人脸验证（face verification）和人脸识别（face recognition）的区别：
人脸验证：输入一张人脸图片，验证输出与模板是否为同一人，即一对一问题。
人脸识别：输入一张人脸图片，验证输出是否为K个模板中的某一个，即一对多问题。

One Shot Learning：数据库中每个人的训练样本只包含一张照片，然后训练一个CNN模型来进行人脸识别。若数据库有K个人，则CNN模型输出softmax层就是K维的。
问题：训练样本较少，CNN网络不够健壮；输出层不够灵活，数据库增加一个人，输出层就要发生变化，相当于重建网络架构。

相似函数：便是2张图片的相似程度，用d(img1,img2)来表示（越小越相似）。
应用：人脸验证中使用：

d(img1,img2)≤τ : 一样

d(img1,img2)>τ : 不一样

One Shot Learning的解决办法：计算测试图片与数据库中K个目标的相似函数，取其中d(img1,
img2)最小的目标为匹配对象。若所有的d(img1,img2)都很大，则表示数据库没有这个人。

from IPython.display import Image
libo="C:/Users/libo/Desktop/machine learning/卷积神经网络/CNN图片/"
Image(filename = libo + "27.png", width=800, height=200)

Siamese Network：一张图片经过一般的CNN网络，最终得到的全连接层FC可以看做是原始图片的编码，表征了原始图片的关键信息，这个网络结构我们称之为Siamese network。每张图片经过Siamese network后，由FC层每个神经元来表征。

libo="C:/Users/libo/Desktop/machine learning/卷积神经网络/CNN图片/"
Image(filename = libo + "28.png", width=800, height=200)

训练样本:必须保证同一人包含多张照片.

可以使用梯度下降算法，不断训练优化CNN网络参数，让J不断减小接近0。

A、P、N 的选择：人为选择A与P相差较大，A与N相差较小。即人为的增加难度和混淆度会让模型性能更好。

面部识别与二分类：将两个siamese网络组合在一起，将各自的编码层输出经过一个逻辑输出单元，该神经元使用sigmoid函数，输出1则表示识别为同一人，输出0则表示识别为不同人。结构如下：

libo="C:/Users/libo/Desktop/machine learning/卷积神经网络/CNN图片/"
Image(filename = libo + "29.png", width=800, height=200)