番外篇1.3 导入CASIA_FaceV5，作为负样本，优化性能

继续上面的来。
更换了一波新电脑，现在可以跑gpu了！
首先给出CASIA_FaceV5的下载地址：
技术链接：https://pan.baidu.com/s/1xgQE-rAiwKpVuWzDcqXtng 密码：muk0
一共是500个人的2500张照片（灯光效果太怪，可以拍鬼片了。。）
然后准备修改我们的程序~
首先是把同学的照片去掉，负样本换成这个FaceV5的数据集，这样正负样本比例为约1：2.5，这个比例也比之前的1：1科学。
然后借用inceptionv3的思路，把后面的3*3卷积层分解为1*3卷积层加一个3*1卷积层，既增加了非线性，又增加了深度，还减少了计算量。
本来想防止过拟合加入BN，结果想了想，数据太少，也没这个机会给我过拟合，也就算了。
样本数一共3400左右，分训练集约2380个，验证集约1000个，测试集约1700个。
一次minibatch是10个，step就是238，跑10个epoch，一共训练了23800+次。
每一个epoch大概是5s左右，使用的是基础的1050ti显卡。
每个epoch采用数据增强的技术，会对图像产生随机转动。虽然这个识别方式会对旋转鲁棒，不过底层的opencv自带的分类器并不对旋转鲁棒，所以如果要在这个方面提升，还是要使用R-CNN或one step（YOLO, SSD）等技术。
优化后的程序明显对光照鲁棒（因为负样本的光照条件不一），而且对于表情等，只要分类器可以识别，就可以很轻松的识别出是否为我。
不过由于负样本的光照（需要大多为冷光）与正样本的光照（为白光/暖光）不同，所以对光照色度鲁棒性可能较差。
想想还有什么需要补充的呢。。
优化这方面，局限准确度等参数（由于目前要求较小）的是本身的这个基底用的是opencv的识别器，识别精度、抗遮挡能力、鲁棒性都有所限制；还有样本数太少，识别的能力也会有限制。素以我准备用最近比较火热的yolo3来实现一次，直接跳过opencv的识别器。
这个放下一章说，如果有时间完成的话。。很久没更博了，最近还要准备笔试，半路出家的还是很担心自己的笔面试的。。
希望有了解的大佬可以指导我一下拉~