---

←上一篇↓↑下一篇→

4.1 什么是人臉識別？	回到目錄	4.3 Siamese 網絡

---

One-Shot 學習 (One-Shot Learning)

人臉識別所面臨的一個挑戰就是你需要解決一次學習問題，這意味著在大多數人臉識別應用中，你需要通過單單一張圖片或者單單一個人臉樣例就能去識別這個人。而歷史上，當深度學習只有一個訓練樣例時，它的表現并不好，讓我們看一個直觀的例子，并討論如何去解決這個問題。

假設你的數據庫里有4張你們公司的員工照片，實際上他們確實是我們deeplearning.ai的員工，分別是Kian，Danielle，Younes和Tian。現在假設有個人（編號1所示）來到辦公室，并且她想通過帶有人臉識別系統的柵門，現在系統需要做的就是，僅僅通過一張已有的Danielle照片，來識別前面這個人確實是她。相反，如果機器看到一個不在數據庫里的人（編號2所示），機器應該能分辨出她不是數據庫中四個人之一。

所以在一次學習問題中，只能通過一個樣本進行學習，以能夠認出同一個人。大多數人臉識別系統都需要解決這個問題，因為在你的數據庫中每個雇員或者組員可能都只有一張照片。

有一種辦法是，將人的照片放進卷積神經網絡中，使用softmax單元來輸出4種，或者說5種標簽，分別對應這4個人，或者4個都不是，所以softmax里我們會有5種輸出。但實際上這樣效果并不好，因為如此小的訓練集不足以去訓練一個穩健的神經網絡。

而且，假如有新人加入你的團隊，你現在將會有5個組員需要識別，所以輸出就變成了6種，這時你要重新訓練你的神經網絡嗎？這聽起來實在不像一個好辦法。

所以要讓人臉識別能夠做到一次學習，為了能有更好的效果，你現在要做的應該是學習Similarity函數。詳細地說，你想要神經網絡學習這樣一個用 $d$ 表示的函數， d(img1,img2)=degree of difference between images ，它以兩張圖片作為輸入，然后輸出這兩張圖片的差異值。如果你放進同一個人的兩張照片，你希望它能輸出一個很小的值，如果放進兩個長相差別很大的人的照片，它就輸出一個很大的值。所以在識別過程中，如果這兩張圖片的差異值小于某個閾值 $\tau$ ，它是一個超參數，那么這時就能預測這兩張圖片是同一個人，如果差異值大于 $\tau$ ，就能預測這是不同的兩個人，這就是解決人臉驗證問題的一個可行辦法。

要將它應用于識別任務，你要做的是拿這張新圖片（編號6），然后用 $d$ 函數去比較這兩張圖片（編號1和編號6），這樣可能會輸出一個非常大的數字，在該例中，比如說這個數字是10。之后你再讓它和數據庫中第二張圖（編號2）片比較，因為這兩張照片是同一個人，所以我們希望會輸出一個很小的數。然后你再用它與數據庫中的其他圖片（編號3、4）進行比較，通過這樣的計算，最終你能夠知道，這個人確實是Danielle。

對應的，如果某個人（編號7）不在你的數據庫中，你通過函數 $d$ 將他們的照片兩兩進行比較，最后我們希望 $d$ 會對所有的比較都輸出一個很大的值，這就證明這個人并不是數據庫中4個人的其中一個。

要注意在這過程中你是如何解決一次學習問題的，只要你能學習這個函數 $d$ ，通過輸入一對圖片，它將會告訴你這兩張圖片是否是同一個人。如果之后有新人加入了你的團隊（編號5），你只需將他的照片加入你的數據庫，系統依然能照常工作。

現在你已經知道函數 $d$ 是如何工作的，通過輸入兩張照片，它將讓你能夠解決一次學習問題。那么，下節視頻中，我們將會學習如何訓練你的神經網絡學會這個函數 $d$ 。

課程板書

---

←上一篇↓↑下一篇→

4.1 什么是人臉識別？	回到目錄	4.3 Siamese 網絡

---

總結

以上是生活随笔為你收集整理的4.2 One-Shot 学习-深度学习第四课《卷积神经网络》-Stanford吴恩达教授的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。