FaceNet源码解读2：史上最全的FaceNet源码使用方法和讲解（二）

史上最全的FaceNet源码使用方法和讲解（二）

这是对：史上最全的FaceNet源码使用方法和讲解（一）（附预训练模型下载）的一个补充。

一、对模型进行测试：

用到的函数：validate_on_lfw.py
在pycharm中配置的参数如下：

数据集所在路径 模型所在路径 

示例：

20170512-110547 1.png 2.png

这将执行以下四个操作：
a）加载模型。
b）加载和解析文本文件与图像对。
c）计算所有图像（以及它们的水平翻转版本）在测试集中的向量。
d）计算精度，验证率（@ FAR = -10e-3），曲线下面积（AUC）和等误差率（EER）等性能指标。

典型的输出如下：

Model directory: /home/david/models/20180402-114759/
Metagraph file: model-20180402-114759.meta
Checkpoint file: model-20180402-114759.ckpt-275
Runnning forward pass on LFW images
........................
Accuracy: 0.99650+-0.00252
Validation rate: 0.98367+-0.00948 @ FAR=0.00100
Area Under Curve (AUC): 1.000
Equal Error Rate (EER): 0.004

二、对预训练模型重新进行训练

有时候，我们需要用自己的数据集对预训练好的模型进行重新训练，或者之前训练了一个模型之后，觉得训练轮数不够，又不想从头开始训练，这样，在训练之前就要把之前训练的模型重新加载进去，方式如下：
######第一步：添加预训练模型的参数：
在中train_tripletloss.py找到这样一个语句：

改成这样：

 parser.add_argument('--pretrained_model', type=str,
        help='Load a pretrained model before training starts.',default='模型所在路径')
        

第二步：解决程序中的一个小bug

如果只是完成了第一步，运行程序会报错。经过调试，是因为程序有一个小的bug需要修复：
找到这一行程序：

可以看出，这一处函数的作用是：如果预训练模