原创 入門機器學習實用指南Hands-On Machine Learning with Scikit-Learn & TensorFlow (第二章)

我對本書中的代碼做了詳盡的註釋,放到了我的github,star我哦(✪ω✪) Q:端到端(end to end) end-to-end(端對端)的方法,一端輸入我的原始數據,一端輸出我想得到的結果。只關心輸入和輸出,中間的步

原创 Center Loss: A Discriminative Feature Learning Approachfor Deep Face Recognition

xi表示第i個實例(臉)的特徵向量。yi表示第i個實例的類別。Cyi表示yi類別的中心。目的是使所有實例到中心的距離的和最小。 Reference: [1] 論文閱讀 - CenterLoss: A Discriminativ

原创 入門機器學習實用指南Hands-On Machine Learning with Scikit-Learn & TensorFlow (第四章)

我對本書中的代碼做了詳盡的註釋,放到了我的github,star我哦(✪ω✪) 本系列主要針對一些閱讀本書過程中遇到的問題進行解答,不羅列知識點。如果遇到其他問題歡迎私信我。文章最後會對本章節內容做總結。 Q:凸函數與凹函數

原创 DeepID1-Deep Learning Face Representation from Predicting 10,000 Classes

特色: 1.Multi-scale Convnets:網絡的deepid層連接第三層卷積與第四層卷積,文章稱之爲Multi-scale Convnets,使用這種方式可以提取到第三層的低層特徵以及第四層的高層特徵。因此網絡可以提

原创 繪製MNIST二維特徵分佈

打算實現MNIST在各個loss下訓練出來的二維特徵分佈,持續更新 1.爲何繪製出的特徵分佈只在第一象限 在看center loss論文的時候,自己隨便構建了一個網絡繪製softmax二維特徵,但是繪製出的特徵分佈一直如上圖所示

原创 VGGFace:Deep Face Recognition

Architecture 結構與VGGnet類似。將全連接層比喻爲其filter能看到整張圖片的卷積層。 loss 給出了triplet loss的一種新的公式表達,實質同facenet中是一樣的。 訓練方法 先用softmax訓

原创 餘弦相似度和歐幾里得距離

1.餘弦相似度 同過兩個向量的夾角的餘弦值來判斷兩個向量的相似度。 餘弦值取值[-1,1],越接近1,兩向量夾角越小,越相似。 二維公式: n維公式: 存在的問題[1]: 餘弦相似度更多的是從方向上區分差異,而對絕對的數值不敏感

原创 DeepID3: Face Recognition with Very Deep Neural Networks

VGGnet和GoogLeNet這種很深的卷積神經網絡在圖像分類上取得成功,作者就嘗試將深度卷積神經網絡應用於人臉識別。 實驗方法跟DeepID2+相同,最終的準確率與DeepID2+差不多,並沒有得出深度卷積神經網絡比DeepID2

原创 Facenet:A Unified Embedding for Face Recognition and Clustering

論文提出一種新的loss函數,名叫Triplet Loss。 假設有一張目標臉Anchor,我們的目的是要使得其與相同身份的另一張圖片Positive之間的距離要小於其與不同身份的一張臉Negtive的距離。如上圖所示,剛開始,An

原创 DeepID2:Deep Learning Face Representation by Joint Identification-Verification

人臉識別最具挑戰性的地方在於減少類內差異同時增大類間差異。 The key challenge of face recognition is to develop effective feature repre-

原创 python♡麻省理工MIT線性代數(2)

1.矩陣置換(permutation) 2.逆矩陣(inverse) To-do list python高斯消元法

原创 python♡麻省理工MIT線性代數(1)

一年前開了這個坑,現在回來把它填上。 1.求解線性方程組Ax=b 2x-y=0 -x+2y-z=-1 -3y+4z=4 import numpy as np A= np.array([[2,-1,0],[-1,2,-1],[0,-

原创 人臉識別中的限制場景與非限制場景(unconstrained environment)

目前絕大多數的人臉識別數據集都是非限制場景下的,例如LFW。限制場景就是指基於某一特定環境下,比如一個證件照的數據集就是限制場景下,因爲都是在同樣的場景(差不多的背景,差不多的光照)下采集的。非限制場景則與之相反,例如LFW(Labe

原创 Facenet源碼解讀之compare.py

"""Performs face alignment and calculates L2 distance between the embeddings of images.""" # MIT License # # Copyr