人臉識別的應用非常廣泛，而且進展特別快。如LFW的評測結果上已經都有快接近99.9%的。

      在上述模型中，有許多是商業公司的排名，所以呢，基本上很少有開源的東西。此處只對谷歌的facenet進行測試。

      FaceNet的架構如下所示：

      從上面可以看出，沒有使用softmax層，而直接利用L2層正則化輸出，獲取其影象表示，即特徵抽象層。而深度學習的框架可以使用現有的成熟模型，如tensorflow slim中的每一種模型。

      而最後一個Triplet Loss則是採用了三元組的損失函式。其程式碼如下所示

def triplet_loss(anchor, positive, negative, alpha):
    """Calculate the triplet loss according to the FaceNet paper
    
    Args:
      anchor: the embeddings for the anchor images.
      positive: the embeddings for the positive images.
      negative: the embeddings for the negative images.
  
    Returns:
      the triplet loss according to the FaceNet paper as a float tensor.
    """
    with tf.variable_scope('triplet_loss'):
        pos_dist = tf.reduce_sum(tf.square(tf.subtract(anchor, positive)), 1)
        neg_dist = tf.reduce_sum(tf.square(tf.subtract(anchor, negative)), 1)
        
        basic_loss = tf.add(tf.subtract(pos_dist,neg_dist), alpha)
        loss = tf.reduce_mean(tf.maximum(basic_loss, 0.0), 0)
      
    return loss
 

從上面程式碼可以看出，三元組其實就是三個樣例，如(anchor, pos, neg)，利用距離關係來判斷。即在儘可能多的三元組中，使得anchor和pos正例的距離，小於anchor和neg負例的距離。

       其學習優化如下圖所示：

     測試：(程式碼見：https://github.com/davidsandberg/facenet)

        由於facenet無需限制人臉對齊，但是程式碼中提供了MTCNN的對齊，而且在LFW評分中也發現經過對齊的分數能夠提高一個檔次。

        利用提供的程式碼，在LFW上進行EVAL，發現其精度高達99.2%

         當然，還有更高的。

另外，程式中還提供了進行兩張圖片距離的比較的程式碼，進行除錯，結果如下：