[人脸识别][style转换]吴恩达深度学习course4week4思考小结

---

预告：

Face recognition

Style transfer

Quiz

---

先收藏一下这门课的简介：
http://baijiahao.baidu.com/s?id=1575792471896118&wfr=spider&for=pc

相关的笔记收藏：
http://blog.csdn.net/koala_tree/article/details/78597575

今天学习一下吴恩达深度学习系列课的第四课第4周的课程。
内容包括两部分：face recognition和style transfer.

先看face recognition部分:

验证和识别的差别。后者的难度更大，需要一次人脸验证的正确率能达到99.9%以上。因为每一次若是99%的正确率，乘以多次以后，正确率会显著下降。

Screen Shot 2017-11-27 at 6.11.23 PM.png

下面提出了siamese net的概念：就是让两个输入分别经过参数一模一样的模型，得到各自的编码，然后再计算编码的“差距”。
我们的愿望是让不是同一个人的两张照片，上述“差距”尽可能大；相反，尽可能小。

Screen Shot 2017-11-27 at 7.09.54 PM.png

Screen Shot 2017-11-27 at 7.11.31 PM.png

wiki上关于siamese net的介绍：

siamese.jpeg

注意：comtrastive loss function

Screen Shot 2017-11-27 at 7.16.11 PM.png

Screen Shot 2017-11-27 at 7.22.27 PM.png

Screen Shot 2017-11-27 at 7.02.00 PM.png

Screen Shot 2017-11-27 at 7.24.53 PM.png

L的表达式得到以后，还是用Gradient Descent来学习得到d(img1,img2)的模型：
（f是带着卷积网络的参数的，这些参数就是training要得到的目标）

Screen Shot 2017-11-27 at 7.25.47 PM.png

Screen Shot 2017-11-27 at 7.28.03 PM.png

除了上面的loss function,还有一种看待问题的方式或者角度：

Screen Shot 2017-11-27 at 8.07.59 PM.png

Screen Shot 2017-11-27 at 8.10.08 PM.png

这个week第二部分的内容是style transfer：

首先他讲了对图片卷积神经网络的过程中，每一层所得的结果到底是什么样子的。

Unit 指的就是一个filter。越属于浅层的filter，它一次卷积运算前所扫过的窗口，只能看到整张图片的很小的一部分，所以它识别的是很微观的东西。比如如图所示的，左上右下的斜线。

Screen Shot 2017-11-27 at 9.20.38 PM.png

Screen Shot 2017-11-27 at 9.21.04 PM.png

而越在网络深层的filter，它一次扫过，所覆盖到的原图的像素越多，它能做到相对宏观的侦测，比如某个filter可以是猫或狗的detector。这也是QUIZ第6题的答案。

Screen Shot 2017-11-27 at 9.24.02 PM.png

Screen Shot 2017-11-27 at 9.24.09 PM.png

然后开始讲如何做style transfer:

Screen Shot 2017-11-27 at 9.32.27 PM.png

Screen Shot 2017-11-27 at 9.33.38 PM.png

Quiz同时也是一个很好的学习小结：

Screen Shot 2017-11-27 at 9.55.27 PM.png

Screen Shot 2017-11-27 at 9.55.36 PM.png

Screen Shot 2017-11-27 at 9.55.44 PM.png

Screen Shot 2017-11-27 at 9.55.52 PM.png

Screen Shot 2017-11-27 at 9.56.00 PM.png

Screen Shot 2017-11-27 at 9.56.08 PM.png