openface 訓練數據集
訓練深度網絡模型
OpenFace還不是運用faceNet的model作為訓練模型，所以在準確性上比faceNet要低，如果你只是做一個簡單的分類，建議你看看官網的demo3（http://cmusatyalab.github.io/openface/demo-3-classifier/），如果你想自己訓練一個模型，建議提供一個大於500k的圖片集作為訓練集。（這裏的500k應該是50w張圖片來理解更合適）
Openface暫時還沒提供該faceNet模型的支持。
註意：在K40Gpu的機器上訓練數據估計要耗費很多的內存還有一整天的時間，所以務必準備相應的硬件支持。
1）創建原生圖片目錄data/mydataset/raw
Raw目錄下再建立各個分類目錄，這些分類目錄的名字將是分類的標簽名，在子目錄下面就存放各個分類的圖片。
2）預處理原生圖片
如果你想比較你圖片集跟LFW數據集的準確率，你可以使用項目中提供的腳本來清除你圖片集中帶有LFW特征的圖片（data/casia-facescrub/remove-lfw-names.py）
我們啟用8個線程來預處理圖片：
for N in {1..8}; do ./util/align-dlib.py <path-to-raw-data> align outerEyesAndNose <path-to-aligned-data> --size 96 & done
註:<> 括號裏是自己的目錄，自己需要根據實際改寫
然後修剪生成分類目錄，在每個分類目錄下存放3張精選的圖片：
./util/prune-dataset.py <path-to-aligned-data> --numImagesThreshold 3
註：3這個閾值，你可以根據情況自己設置
3）訓練模型
執行 training/main.lua文件去訓練模型（在 training/opts.lua文件裏編輯選項或者通過命令行傳參執行）然後會產生損失函數和處理模型到training/work這個目錄裏。對於GPU內存來說，大概需要耗費128G內存，需設置-peoplePerBatch和-imagesPerPerson（默認分別是15和20）來減少內存的消耗。（這些參數可限制每批次處理的上限）
註意：數據目錄的metadata（元數據）存放在緩存裏training/work/trainCache.t7
停止或者重啟訓練
每次訓練叠代都會把模型存放在work裏面，如果訓練進程被kill掉，你可以通過-retain參數重啟。你也可以設置不同人工種子-manualSeed來作為圖片序列采樣，-epochNumber設置叠代次數。
這裏需要你懂點lua語言的應用的，不然真的一頭霧水，主要的翻譯就這樣了
4）分析訓練結果
驗證損失函數： training/plot-loss.py.
需要裝相應的依賴，相應依賴存放在 training/requirements.txt，可以執行以下命令安裝：
pip2 install -r requirements.txt
模型的正確率：
Openface 官方有說明默認是使用nn4.small2，有3733968個參數，預計準確率為93左右
LFW數據集在國外訓練model挺流行，可是在國內感覺不怎麽行，畢竟采集的人物大都是外國人為準；關於模型的正確率，你可以參考這個鏈接：
http://cmusatyalab.github.io/openface/models-and-accuracies/
http://cmusatyalab.github.io/openface/training-new-models/
openface 訓練數據集