Insightface----loss

总结下insightface的相关内容，其实，个人理解，这种用于分类的算法，相比较检测的算法来说的话，要来的简单一点。
为了搞清楚整个算法的流程，这里先对arcface_loss做一些在项目过程中的记录。先贴上损失函数公式

损失函数如上图所示。其实对于arcface的损失函数，网上的理解比比皆是，无非是为了增加分类的准确性，扩大化类间差距，增强类内紧度，引入了参数m。
但是这里看下公式，既然是损失函数，那么我们的网络的输出呢？我们数据的label呢？那么到底是怎么实现的呢？这里再贴上一个简化的网络结构

ok!看下网络结构，首先输入图片维度为(batch,112,112,3)，然后中网络的话使用了Res_net100然后每个block做了改变变为IR，作者解释，更有利于人脸特征的提取！在这里我们暂且不研究网络具体结构，然后再看，以Resnet_100为例，网络输出为（batch,512)，也就是生成了一个512维的向量来表示图片特征。其实从embedding到下一个(b,class)层，是我们用来构建arcface的，什么意思呢？也就是我们损失函数中的W矩阵是这一层的矩阵，然后利用BP来更新所有的前面的权重！我们先把这些明确，还有就是无论arcface_loss怎么变，最后我们就是要求一个Wx将（batch，512）映射到（batch，classes）上，然后根据这个再使用softmaxloss，来与label求一个误差！
这里结合arcface_loss实现的代码进行一步一步的解释：
这里再明确一点，我们使用arcloss函数，先确定的是softmax损失函数中相当于Wx的部分

def arcface_loss(embedding,labels,w_init,classes,W,s=64,m=0.5):
	'''
	embedding : (batch,512)
	labels : (batch,classes)  [1,432,64,78......
	classes : 类别数  
	'''
	cos_m = math.cos(m)
	sim_m = math.sin(m)
	mm = sin_m * m
	threshold = math.cos(math.pi - m)
	
	with tf.variable_scope('arcface_loss'):
		#首先求||x||
		embedding_norm = tf.norm(embedding,