FaceNet源码解读与使用后篇

最新推荐文章于 2025-07-04 10:13:39 发布

原创最新推荐文章于 2025-07-04 10:13:39 发布 · 1.9k 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#tensorflow #facenet

博客介绍了FaceNet中train_tripletloss.py的使用方法。因中心损失在样本量大时效果不佳，考虑使用train_tripletloss.py。包括修改部分，说明与train_softmax.py修改的差异及原因；还介绍了训练与预训练的操作，以及基于该方法训练后模型调用compare文件的修改要点。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

此前我们学习了FaceNet源码的使用方法，但主要是基于train_softmax.py的，而中心损失在样本量大于一定值时实验效果会大打折扣，于是我们考虑train_tripletloss.py的一些使用方法。
1. 修改部分
与train_softmax.py略有不同，我需要在

saver = tf.train.Saver(tf.trainable_variables(), max_to_keep=3)

前添加

        all_vars = tf.trainable_variables()
        var_to_restore = [v for v in all_vars if not v.name.startswith('Logits')]
        saver_restore = tf.train.Saver(var_to_restore)

而不是直接用后者代替前者。
与train_softmax.py类似，我需要修改

                print('Restoring pretrained model: %s' % pretrained_model)
                saver.restore(sess, pretrained_model)

为

				print('Restoring pretrained model: %s' % args.pretrained_model)
                model_exp = os.path.expanduser(args.pretrained_model)
                _,ckpt_file = facenet.get_model_filenames(model_exp)
                saver_restore.restore(sess,os.path.join(model_exp,ckpt_file))

之后我们就可以愉快的训练自己的数据了，另外说一下，为什么train_tripletloss.py的修改方法与train_softmax.py不同，是因为直接按train_softmax.py的修改方法进行训练后，加载模型会提示“模型中没有batch_size”从而导致模型无法正常加载。
2. 训练与预训练部分
首先cd到src目录下
训练时于cmd中输入

python train_tripletloss.py --models_base_dir facenet  --model_def models.inception_resnet_v1 --data_dir data\CASIA_WebFace_182 --image_size 160 --optimizer RMSPROP --learning_rate -1 --max_nrof_epochs 20 --keep_probability 0.8 --random_crop --random_flip --learning_rate_schedule_file data\learning_rate_schedule_classifier_casia.txt --weight_decay 5e-5 --alpha 0.1 --gpu_memory_fraction 0.9

有预训练模型时于cmd中输入

python train_tripletloss.py --models_base_dir facenet --pretrained_model pretrained_model\20170512-110547 --model_def models.inception_resnet_v1 --data_dir data\CASIA_WebFace_182 --image_size 160 --optimizer RMSPROP --learning_rate -1 --max_nrof_epochs 20 --keep_probability 0.8 --random_crop --random_flip --learning_rate_schedule_file data\learning_rate_schedule_classifier_casia.txt --weight_decay 5e-5 --alpha 0.1 --gpu_memory_fraction 0.9

即可
3. 基于train_tripletloss后的模型调用compare文件
使用tensorboard观察使用train_tripletloss.py后的模型就会发现，一些节点的命名方式与原本并不相同，于是我们需要做如下修改，将

images_placeholder = tf.get_default_graph().get_tensor_by_name("input:0")

改为

images_placeholder = tf.get_default_graph().get_tensor_by_name("batch_join:0")

之后我们就可以调用使用三元损失训练好的模型了
首先cd到src目录下，然后于cmd输入

python compare.py 训练好的模型地址 data\test