4.1什么是人臉識別
（1）人臉驗證（face verification）:1對1，輸入一個照片或者名字或者ID，然后判斷這個人是否是本人。
（2）人臉識別（face recognition）:1對多，判斷這個人是否是系統中的某一個人。
4.2One-shot學習
（1）比如一個公司的員工，一般每個人只給一張工作照（如4個人），這時網絡輸出五個單元，分別代表他們以及都不是。這樣設計會有兩個明顯的問題：第一是每個人只給了一張照片，訓練樣本太少；第二是如果這時候又來了一個員工，那么網絡的輸出得重新調整，顯然不合理。
（2）實際使用的方法，是訓練一個差異度函數（degree of difference between images）的網絡，給網絡輸入兩張照片，如果是同一個人則輸出很小的值（差異很小），如果不是同一個人則輸出很大的值，這時只要將來的人與系統中的照片逐一比較即可。同時如果來了新員工，也只需要將他的照片放入到系統中就可以了。
4.3Siamese網絡
（1）Siamese的輸出不經過softmax激活函數做分類，直接就是輸出一個向量，相當於把每個人映射成一個向量，然后判斷兩張圖片是否是同一個人時只需要，分別輸入這同一個網絡，然后求輸出向量的范數，如下所示：
4.4Triplet損失
（1）首先訓練集中必須有相同人的照片（網絡應用的時候沒這個要求），三張照片為一組（分別叫做Anchor,Positive,Negative），如下圖所示：
（2）損失函數如下，將兩張相同的圖片的距離比兩張不同圖片的距離的差值（注意此處差值已經是一個負值了）小於某個閾值時，其誤差視為0：
4.5面部驗證與二分類
（1）可以用二分類的思想來訓練上面的Siamese網絡，同樣是用同一個網絡，輸出兩張照片的向量，這時候在后面將向量對應元素做差的絕對值作為一個特征，再創建一層邏輯回歸即可，輸出0、1，如下等式所示：
（2）用這種方法訓練網絡，每次是使用兩張照片，而不是三張照片了。
（3）不管是上面提到的兩種訓練方式的哪一種，當在應用網絡的時候，不需要在系統中存儲大量的照片，可以提前把照片輸入網絡計算出來的向量存在系統中即可，這樣在實際應用時就非常的快樂。
4.6什么是神經風格轉換
（1）下面就是一個風格轉換的例子，左邊是內容圖（C），右邊是風格圖（S），下面是生成圖（G）
4.7什么是深度卷積網絡
（1）淺層檢測到簡單的一些邊緣，越到后面，圖形越來越復雜。
4.8代價函數
（1）相似度越好，代價函數越小，所以就是最小化下面的代價函數，包括內容相似度和風格相似度，（α，β是調節兩者的權重，其實一個就夠了）：
（2）生成圖G一開始就是隨機初始化，下面是生成圖隨着最小化代價函數的變化過程（其中1是內容圖，2是風格圖）：
4.9內容代價函數
（1）用隱含層l來計算內容代價，如果l是一個很小的數，比如說隱含層1，這個代價函數就會使你的生成圖片像素上非常接近你的內容圖片。如果你用非常深的層，那么如果內容圖上有狗，那么它就會確保生成圖片里面有一只狗。所以在實際中，這個l既不會選擇太淺也不會選擇太深。用預訓練的VGG網絡模型。取中間的l層，這時將內容圖與生成圖分別輸入到VGG中得到第l層的激活值，然后求其相似度，就是按元素對應相減：
4.10風格代價函數
（1）需要着重理解：一個通道是由一個卷積核卷積生成的，假如這個卷積核擅長識別垂直的線段，那么這個通道將會有很多垂直線段，另一個通道的卷積核擅長識別橙色，那么這個通道可能就表現出許多橙色，如下圖所示：
（2）那么什么是通道間的相關性呢？如果一個通道出現垂直線的地方，更容易出現橙色，即二者同時出現或者不出現的概率大那么二者就相關了。
（3）說兩張圖的風格相似，可以看成兩張圖各自不同通道之間的相關性是相同的，那么這兩張圖就風格相同（或者類似）。
（4）以下是一種不是很標准（之所以說不標准是因為沒有減去各自的均值再相乘）的求相關系數的方法，即兩個通道間對應元素相乘，然后求和，最后結果越大說明越相關：
（5）最后只要把風格圖和生成圖在隱含層l層的各自的相關系數做差再求范數即可（前面的歸一化可要可不要，因為還有超參數α、β）：
（6）最后就形成了總的代價函數：
4.11一維到三維推廣
（1）一維數據，如心電圖，這時候的卷積核如下所示，一個14維與一個5維卷積核卷積形成一個10維輸出：
（2）三維數據，如CT圖，一個3D對象，如14*14*14（這里沒有出現通道數，寬度和深度是后面兩個），這時候5卷積核比如說5*5*5*1（假設輸入照片是1通道的），這時候輸出10*10*10*5。需要時刻記住的是卷積核的通道數一定要和輸入的通道數相同。
