第十三课：特殊应用：人脸识别和神经风格转换(Specialapoplications:Face recognition&Neural style transfer)
4.1 什么是人脸识别？
科普
人脸识别可能一个人的识别准确率是99%,那么100个人的识别可能需要更高的准确率，99.9%等等。
4.2 One-Shot学习
人脸识别所面临的一个挑战就是需要解决一次学习问题，要想让人脸识别做到一次学习，应该使用Similarity函数，如下图：
查看输入的两张图片(img1,img2)的差异性，如果差异性小于一个数，说明相同，差异性大于一个数，说明不相同。
4.3 Siamese网络(Siamese network)
Siamese网络就是首先定义了一个编码函数，对于输入的函数，能够输出一个128维编码，如果两个输入对应的输出的范数比较小，就是同一个人，相反，就是不同的人。
4.4 Triplet损失
定义三元组损失函数然后应用梯度下降
上面的公式是损失函数，给出3个图片，A、P、N，其中A和P是同一个人，A和N是不同的人，定义损失函数如上，$+\alpha$是为了防止损失函数大于0，损失函数的目的是确保损失函数等于0。
只要损失函数小于0，则损失函数就是0.
上面的A、P、N就是三元组。
三元组的选择不能太随意，要选择很难训练的A、P、N。下图是解释:
4.5 人脸验证与二分类(Face verification and binary classification)
可以把人脸识别当做二分类问题。
定义输出$\widehat{y}$如下：
如果相同输出1，相反输出0
4.6 神经风格迁移(Neural style transfer)
不得不说，第二张合成图好阴间。。。
C表示内容图像，S表示风格图像，G表示生成的图像。
4.7 深度卷积网络学习什么？(What are deep ConvNets learning?)
网络第一层能检测出一些边缘或颜色阴影等，随着层数的加深，能够检测到更复杂的东西。图中举例的每个方框代表了不同的9个代表性神经元。
4.8 神经风格迁移系统的代价函数
神经风格迁移系统的代价函数：
$$ J(G)=\alpha {J_{content}}(C,G)+\beta J_{style}(S,G) $$
第一个是内容代价函数，第二个是风格代价函数。
前面的系数表示权重
上面定义了一个生成图片G的代价函数，并将其最小化。
4.9 内容代价函数(Content cost function)
用$a^{[l][C]}$和$a^{[l][G]}$来代表两个图片C和G的l层的激活函数值。如果两个激活值相似，那么就意味着两个图片的内容相似，因此：
内容代价函数：
$$ J_{content}(C,G)=\frac{1}{2}||a^{[l][C]}-a^{[l][G]}||^2 $$
通过超参数$\alpha$来调整代价函数。
4.10 风格代价函数(Style cost function)
没怎么看懂，给出了一个风格代价函数。
4.11 一维和三维推广
之前讲的卷积都是在2D上讨论的，当然可以以相同的方式来推广到1D和3D空间。
OVER！
