FaceNet 算法（在这篇文章中描述）使用卷积神经网络将图像表示在128维欧几里得空间中。
在阅读文章时，我不理解的是：
- 损失函数如何影响卷积网络（在普通网络中，为了最小化损失，会稍微调整权重——反向传播——那么，在这种情况下会发生什么？）
-
三元组是如何选择的？
2.1 . 如何知道一张负面图像是难的
2.2 . 为什么我使用损失函数来确定负面图像
2.3 . 什么时候我检查我的图像相对于锚点的难度——我认为这是在我将三元组发送给网络处理之前，对吗。
回答：
这里有一些可能解答你疑问的答案：
-
即使在这里，权重也会被调整以最小化损失，只是损失项有点复杂。损失有两部分（方程中以+分隔），
第一部分是某人的图像与该人的另一张图像的比较。第二部分是某人的图像与另一人的图像的比较。我们希望第一部分的损失小于第二部分的损失，损失方程本质上捕捉了这一点。所以你基本上希望调整权重，使同一人误差较小，而不同人误差较大。 -
损失项涉及三张图像：所讨论的图像（锚点）：
x_a，它的正面配对：x_p和它的负面配对：x_n。x_a的最难正面是与其他正面图像相比错误最大的正面图像。x_a的最难负面是与不同人的最接近的图像。所以你希望将最远的正面图像拉近，同时将最接近的负面图像推得更远。这在损失方程中得到了体现。 -
FaceNet在训练过程中（在线）计算其锚点。在每个小批量（一组40张图像）中，他们选择与锚点相关的最难负面，而不是选择最难正面图像，他们选择批量内的所有锚点-正面配对。
如果你正在考虑实现人脸识别，你应该考虑这篇论文，它实现了中心损失，训练起来更容易，并且显示出更好的表现。
