23、基于FaceNet的人脸识别模型训练全解析

基于FaceNet的人脸识别模型训练全解析

1. 输入图像与训练集

训练集由从图像中裁剪出的人脸缩略图组成。除了平移和缩放操作外，不需要对裁剪后的人脸进行其他对齐操作。

2. 深度卷积神经网络（Deep CNN）

FaceNet使用带有反向传播的随机梯度下降（SGD）和AdaGrad优化器的深度卷积神经网络进行训练。初始学习率设为0.05，并随着迭代次数的增加而降低，以最终确定模型。训练在基于CPU的集群上进行，耗时1000 - 2000小时。

FaceNet有两种不同架构的深度卷积神经网络，各有优劣：
- Zeiler和Fergus架构（NN1） ：
- 由22层组成，每张图像以16亿次浮点运算（FLOPS）训练1.4亿个参数。
- 输入大小为220×220。
- 基于GoogLeNet的Inception模型 ：
- 参数比NN1少20倍（约660 - 750万个），FLOPS少5倍（约5亿 - 16亿）。
- 有多种变体，具体如下表所示：
| 模型名称 | 输入大小 | 参数数量 | 每张图像FLOPS | 适用场景 |
| ---- | ---- | ---- | ---- | ---- |
| NN2 | 224×224 | 750万 | 16亿 | 一般场景 |
| NN3 | 160×160 | - | - | 较小网络规模场景 |
| NN4 | 96×96 | 大幅减少 | 2.85亿 | 移动设备 |
| NNS1 | 165×165 | 26