Part 1：Happy House 的人臉識別

本週的第一個作業我們將完成一個人臉識別系統。

人臉識別問題可以分為兩類：

• 人臉驗證: 輸入圖片，驗證是不是A
  
  • 1:1 識別
  • 舉例：人臉解鎖手機，人臉刷卡
• 人臉識別: 有一個庫，輸入圖片，驗證是不是庫裡的一員
  
  • 1:K 識別
  • 舉例：員工門禁

FaceNet 通過神經網路學習將圖片編碼為128維數字向量。通過比較兩個128維向量的相似度來確定兩張圖片是否是同一個人。

在這個作業中，你需要：

• 實現三元組損失函式
• 使用一個預訓練模型將圖片轉換為128維數字向量
• 運用這些128維的數字向量來執行人臉驗證和人臉識別

在這個練習中，你將使用一個預訓練模型，該模型表示圖片時使用”通道在前”的維度表示，(m,nC,nH,nW) 而不是之前的 (m,nH,nW,nC)。

開源社群中兩種表示方法都很常見，沒有統一的標準。

導包

from keras.models import Sequential
from keras.layers import Conv2D, ZeroPadding2D, Activation, Input, concatenate
from keras.models import Model
from keras.layers.normalization import BatchNormalization
from keras.layers.pooling import MaxPooling2D, AveragePooling2D
from
 
 keras.layers.merge import Concatenate
from keras.layers.core import Lambda, Flatten, Dense
from keras.initializers import glorot_uniform
from keras.engine.topology import Layer
from keras import backend as K
K.set_image_data_format('channels_first')
import cv2
import os
import numpy as np
from numpy import
 
 genfromtxt
import pandas as pd
import tensorflow as tf
from fr_utils import *
from inception_blocks_v2 import *

%matplotlib inline
%load_ext autoreload
%autoreload 2

np.set_printoptions(threshold=np.nan)

0 樸素人臉驗證

在人臉驗證中，給你兩張圖片，你需要給出這兩張圖片是否是同一個人。最簡單的方式是一一比較兩張圖片的畫素，如果兩張圖片的畫素距離小於一個閾值，就認為是同一個人。

當然，這個演算法的表現著實很差，因為圖片的畫素會隨著燈光，角度，頭部位置等元素而劇烈變化。

你會發現，不通過原始圖片進行比較，而是通過機器學習將圖片進行編碼為相同維度的向量，然後計算向量的距離來識別是否是同一個人，擁有更高的準確率。

1 將圖片編碼為128維的向量

1.1 使用ConvNet編碼圖片

FaceNet模型需要大量的資料和時間去訓練，這裡我們使用別人已經訓練好的模型，你也可以從inception_blocks.py看到模型是怎麼實現的。

你需要知道：

• 輸入：96x96 RGB：(m,nC,nH,nW) = (m,3,96,96)
• 輸出： (m,128)

FRmodel = faceRecoModel(input_shape=(3, 96, 96))
print("Total Params:", FRmodel.count_params())
# Total Params: 3743280

在模型的最後一層使用128個神經元的全連線層，模型確保輸出維度為128，然後就可以利用編碼後的向量比較兩個圖片了。

如果符合以下條件，編碼方式就是好的：

• 同一個人的兩張照片的編碼非常相似
• 不同人的兩張照片編碼差別很大

三元組損失函式(triplet loss function) 很好的實現了上述要求，將同一個人的兩張照片 (anchor 和 Positive) 的編碼 推得很近，將不同人的兩張照片 (anchor 和 Negative) 的編碼拉的很遠。

1.2 三元組損失

對於一張圖片 x，另其編碼為f(x), 其中f是從神經網路計算出來的

三元組圖片：(A, P, N)

• A：Anchor – 一個人的圖片
• P：Positive – 與Ancher同一個人的圖片
• N：Negative – 與Ancher不同人的圖片

我們訓練集中已經有這些三元組資料，用(A(i), P(i), N(i)) 來表示訓練集第i個樣本。

你需要確保 A(i) 到 P(i) 的距離至少比到 N(i) 的距離遠一個alpha。

我們將最小化如下的三元組損失 J：

• 公式中(1)部分是”A”到”P”的平方距離，我們想要縮小
• 公式中(2)部分是”A”到”N”的平方距離，我們想要擴大，所以這裡用了減法，而減完之後是個距離的負值
• alpha 是一個距離閾值的超引數，需要手動設定，這裡使用0.2

很多實現都是先將圖片編碼進行歸一化再比較的，這裡我們不用考慮。

練習：實現三元組損失函式

1. 計算”A”到”P”的距離
   ∣∣f(A(i))−f(P(i))∣∣22$$\mid \mid f(A^{(i)})-f(P^{(i)})\mid {\mid }_2^2$$
2. 計算”A”到”N”的距離
   ∣∣f(A(i))−f(N(i))∣∣22$$\mid \mid f(A^{(i)})-f(N^{(i)})\mid {\mid }_2^2$$
3. 計算 z
   z=∣∣f(A(i))−f(P(i))∣−∣∣f(A(i))−f(N(i))∣∣22+α$$z=\mid \mid f(A^{(i)})-f(P^{(i)})\mid -\mid \mid f(A^{(i)})-f(N^{(i)})\mid {\mid }_2^2+\alpha$$
4. 計算 z 與 0 的最大值
   =ma
   相關推薦

   吳恩達Coursera深度學習課程 deeplearning.ai (5-2) 自然語言處理與詞嵌入--程式設計作業(一)：詞向量運算

   Part 1: 詞向量運算 歡迎來到本週第一個作業。 由於詞嵌入的訓練計算量龐大切耗費時間長，絕大部分機器學習人員都會匯入一個預訓練的詞嵌入模型。 你將學到： 載入預訓練單詞向量，使用餘弦測量相似度 使用詞嵌入解決類別問題，比如 “Man is to

   吳恩達Coursera深度學習課程 deeplearning.ai (5-2) 自然語言處理與詞嵌入--程式設計作業(二)：Emojify表情包

   Part 2: Emojify 歡迎來到本週的第二個作業，你將利用詞向量構建一個表情包。 你有沒有想過讓你的簡訊更具表現力？ emojifier APP將幫助你做到這一點。 所以不是寫下”Congratulations on the promotion! L

   吳恩達Coursera深度學習課程 deeplearning.ai (5-3) 序列模型和注意力機制--程式設計作業(二)：觸發字檢測

   Part 2: 觸發字檢測 關鍵詞語音喚醒 觸發字檢測 歡迎來到這個專業課程的最終程式設計任務！ 在本週的視訊中，你瞭解瞭如何將深度學習應用於語音識別。在本作業中，您將構建一個語音資料集並實現觸發字檢測演算法（有時也稱為關鍵字檢測或喚醒檢測）。觸發字

   吳恩達Coursera深度學習課程 deeplearning.ai (5-3) 序列模型和注意力機制--課程筆記

   3.1 基礎模型 sequence to sequence sequence to sequence：兩個序列模型組成，前半部分叫做編碼，後半部分叫做解碼。用於機器翻譯。 image to sequence sequence to sequenc

   吳恩達Coursera深度學習課程 deeplearning.ai (4-1) 卷積神經網路--程式設計作業

   Part 1：卷積神經網路 本週課程將利用numpy實現卷積層(CONV) 和 池化層(POOL), 包含前向傳播和可選的反向傳播。 變數說明 上標[l][l] 表示神經網路的第幾層 上標(i)(i) 表示第幾個樣本 上標[i][i] 表示第幾個mi

   吳恩達Coursera深度學習課程 DeepLearning.ai 程式設計作業——Regularization（2-1.2）

   如果資料集沒有很大，同時在訓練集上又擬合得很好，但是在測試集的效果卻不是很好，這時候就要使用正則化來使得其擬合能力不會那麼強。 import numpy as np import sklearn import matplotlib.pyplot as plt

   吳恩達Coursera深度學習課程 DeepLearning.ai 提煉筆記（1-2）-- 神經網路基礎

   以下為在Coursera上吳恩達老師的DeepLearning.ai課程專案中，第一部分《神經網路和深度學習》第二週課程部分關鍵點的筆記。筆記並不包含全部小視訊課程的記錄，如需學習筆記中捨棄的內容請至Coursera 或者 網易雲課堂。同時在閱讀以下

   吳恩達Coursera深度學習課程 deeplearning.ai (4-1) 卷積神經網路--課程筆記

   本課主要講解了卷積神經網路的基礎知識，包括卷積層基礎（卷積核、Padding、Stride），卷積神經網路的基礎：卷積層、池化層、全連線層。 主要知識點 卷積核: 過濾器，各元素相乘再相加 nxn * fxf -> (n-f+1)x(n-f+1)

   吳恩達Coursera深度學習課程 deeplearning.ai (4-4) 人臉識別和神經風格轉換--課程筆記

   Part 1：人臉識別 4.1 什麼是人臉識別？ 人臉驗證: 輸入圖片，驗證是不是 A 人臉識別: 有一個庫，輸入圖片，驗證是不是庫裡的一員 人臉識別難度更大，要求準確率更高，因為1%的人臉驗證錯誤在人臉識別中會被放大很多倍。 4.2 O

   吳恩達Coursera深度學習課程 deeplearning.ai (5-1) 迴圈序列模型--程式設計作業(一)：構建迴圈神經網路

   Part 1: 構建神經網路 歡迎來到本週的第一個作業，這個作業我們將利用numpy實現你的第一個迴圈神經網路。 迴圈神經網路(Recurrent Neural Networks: RNN) 因為有”記憶”，所以在自然語言處理(Natural Languag

   吳恩達Coursera深度學習課程 deeplearning.ai (5-1) 迴圈序列模型--課程筆記

   1.1 為什麼選擇序列模型 序列模型的應用 語音識別：將輸入的語音訊號直接輸出相應的語音文字資訊。無論是語音訊號還是文字資訊均是序列資料。 音樂生成：生成音樂樂譜。只有輸出的音樂樂譜是序列資料，輸入可以是空或者一個整數。 情感分類：將輸入的評論句子轉換

   吳恩達Coursera深度學習課程 DeepLearning.ai 提煉筆記（5-1）-- 迴圈神經網路

   Ng最後一課釋出了，撒花！以下為吳恩達老師 DeepLearning.ai 課程專案中，第五部分《序列模型》第一週課程“迴圈神經網路”關鍵點的筆記。 同時我在知乎上開設了關於機器學習深度學習的專欄收錄下面的筆記，以方便大家在移動端的學習。歡迎關

   吳恩達Coursera深度學習課程 DeepLearning.ai 提煉筆記（5-3）-- 序列模型和注意力機制

   完結撒花！以下為吳恩達老師 DeepLearning.ai 課程專案中，第五部分《序列模型》第三週課程“序列模型和注意力機制”關鍵點的筆記。 同時我在知乎上開設了關於機器學習深度學習的專欄收錄下面的筆記，以方便大家在移動端的學習。歡迎關注我的知

   吳恩達Coursera深度學習課程 deeplearning.ai (4-2) 深度卷積網路：例項探究--課程筆記

   本課主要講解了一些典型的卷積神經網路的思路，包括經典神經網路的leNet/AlexNet/VGG, 以及殘差網路ResNet和Google的Inception網路，順便講解了1x1卷積核的應用，便於我們進行學習和借鑑。 2.1 為什麼要進行例項探究 神經

   吳恩達Coursera深度學習課程 deeplearning.ai (2-1) 深度學習實踐--程式設計作業

   初始化 一個好的初始化可以做到： 梯度下降的快速收斂 收斂到的對訓練集只有較少錯誤的值 載入資料 import numpy as np import matplotlib.pyplot as plt import sklearn impo

   吳恩達Coursera深度學習課程 DeepLearning.ai 提煉筆記（1-3）-- 淺層神經網路

   以下為在Coursera上吳恩達老師的DeepLearning.ai課程專案中，第一部分《神經網路和深度學習》第三週課程“淺層神經網路”部分關鍵點的筆記。筆記並不包含全部小視訊課程的記錄，如需學習筆記中捨棄的內容請至Coursera 或者 網易雲課堂

   吳恩達Coursera深度學習課程 deeplearning.ai (4-4) 人臉識別和神經風格轉換--程式設計作業

   Part 1：Happy House 的人臉識別 本週的第一個作業我們將完成一個人臉識別系統。 人臉識別問題可以分為兩類： 人臉驗證: 輸入圖片，驗證是不是A 1:1 識別 舉例：人臉解鎖手機，人臉刷卡 人臉識別: 有一個庫，輸入圖片，驗證是不是庫裡的

   吳恩達Coursera深度學習課程 DeepLearning.ai 提煉筆記（1-4）-- 深層神經網路

   以下為在Coursera上吳恩達老師的DeepLearning.ai課程專案中，第一部分《神經網路和深度學習》第四周課程“深層神經網路”部分關鍵點的筆記。筆記並不包含全部小視訊課程的記錄，如需學習筆記中捨棄的內容請至 Coursera 或者 網易雲課

   吳恩達Coursera深度學習課程 DeepLearning.ai 程式設計作業——Convolution model:step by step and application (4.1)

   一.Convolutional Neural Networks: Step by Step Welcome to Course 4’s first assignment! In this assignment, you will implement convol

   吳恩達Coursera深度學習課程 DeepLearning.ai 程式設計作業——Optimization Methods（2-2）

   Optimization Methods Until now, you’ve always used Gradient Descent to update the parameters and minimize the cost. In this noteboo