One-Shot 學習（ One-shot learning）
人臉識別所面臨的一個挑戰就是你需要解決一次學習問題，這意味着在大多數人臉識別應用中，你需要通過單單一張圖片或者單單一個人臉樣例就能去識別這個人。所以在一次學習問題中，只能通過一個樣本進行學習，以能夠認出同一個人。大多數人臉識別系統都需要解決這個問題，因為在你的數據庫中每個雇員或者組員可能都只有一張照片。
有一種辦法是，將人的照片放進卷積神經網絡中，使用 softmax 單元來輸出 4 種，或者說 5 種標簽，分別對應這 4 個人，或者 4 個都不是，所以 softmax 里我們會有 5 種輸出。但實際上這樣效果並不好，因為如此小的訓練集不足以去訓練一個穩健的神經網絡。
而且，假如有新人加入你的團隊，你現在將會有 5 個組員需要識別，所以輸出就變成了6 種，這時你要重新訓練你的神經網絡嗎？這聽起來實在不像一個好辦法。
所以要讓人臉識別能夠做到一次學習，為了能有更好的效果，你現在要做的應該是學習Similarity 函數。詳細地說，你想要神經網絡學習這樣一個用d表示的函數：
$d(img1,img2) = \deg ree\;of\;difference\;between\;images$
它以兩張圖片作為輸入，然后輸出這兩張圖片的差異值。如果你放進同一個人的兩張照片，你希望它能輸出一個很小的值，如果放進兩個長相差別很大的人的照片，它就輸出一個很大的值。所以在識別過程中，如果這兩張圖片的差異值小於某個閾值$\tau$，它是一個超參數，那么這時就能預測這兩張圖片是同一個人，如果差異值大於$\tau$，就能預測這是不同的兩個人， 這就是解決人臉驗證問題的一個可行辦法。
要注意在這過程中你是如何解決一次學習問題的，只要你能學習這個函數d，通過輸入一對圖片，它將會告訴你這兩張圖片是否是同一個人。如果之后有新人加入了你的團隊，你只需將他的照片加入你的數據庫，系統依然能照常工作。