1. 二分类问题
Triplet loss是一个学习人脸识别卷积网络参数的好方法
还有其他学习参数的方法
可以尝试将人脸识别当成一个二分类问题
另一个训练神经网络的方法是选取一对神经网络，选取Siamese网络
使其同时计算这些嵌入，比如说128维的嵌入（编号1），或者更高维
然后将其输入到逻辑回归单元，然后进行预测
如果是相同的人，那么输出是1，若是不同的人，输出是0
这就把人脸识别问题转换为一个二分类问题，训练这种系统时可以替换Triplet loss的方法
2. 逻辑回归单元的处理
最后的逻辑回归单元的处理
比如说sigmoid函数应用到某些特征上，相比起直接放入这些编码（f(x(i)),f(x(j))）
可以利用编码之间的不同
f(x(i))k 代表图片x^((i))的编码，下标 k 代表选择这个向量中的第 k 个元素
|f(x(i))k - f(x(j))k |对这两个编码取元素差的绝对值
可能想把这128个元素当作特征，然后把他们放入逻辑回归中
最后的逻辑回归可以增加参数 wi 和 b ，就像普通的逻辑回归一样
将在这128个单元上训练合适的权重，用来预测两张图片是否是一个人
这是一个很合理的方法来学习预测0或者1，即是否是同一个人
还有其他不同的形式来计算绿色标记的这部分公式（|f(x(i))k - f(x(j))k|）
比如说，公式可以是
这个公式也被叫做 χ2公式，是一个希腊字母 χ，也被称为 χ平方相似度
Yaniv Taigman, Ming Yang, Marc’Aurelio Ranzato, Lior Wolf (2014). DeepFace:Closing the gap to human-level performance in face verification
这些公式及其变形在这篇DeepFace论文中有讨论
但是在这个学习公式中：
输入是一对图片，这是训练输入x（编号1、2）
输出y是0或者1，取决于输入是相似图片还是非相似图片
与之前类似，正在训练一个Siamese网络
意味着上面这个神经网络拥有的参数和下面神经网络的相同（编号3和4所示的网络）
两组参数是绑定的，这样的系统效果很好
3. 计算技巧
之前提到一个计算技巧可以显著提高部署效果
如果这是一张新图片（编号1），当员工走进门时，希望门可以自动为他们打开
这个（编号2）是在数据库中的图片，不需要每次都计算这些特征（编号6），不需要每次都计算这个嵌入
可以提前计算好，那么当一个新员工走近时，可以使用上方的卷积网络来计算这些编码（编号5）
然后使用它，和预先计算好的编码6进行比较，然后输出预测值
因为不需要存储原始图像，如果有一个很大的成员数据库，不需要为每个成员每次都计算这些编码
这个预先计算的思想，可以节省大量的计算，这个预训练的工作可以用在Siamese网路结构中
将人脸识别当作一个二分类问题，也可以用在学习和使用Triplet loss函数上
总结一下，把人脸验证当作一个监督学习，创建一个只有成对图片的训练集
不是三个一组，而是成对的图片
目标标签是1表示一对图片是一个人，目标标签是0表示图片中是不同的人
利用不同的成对图片，使用反向传播算法去训练神经网络，训练Siamese神经网络