目标：
	1. 使用预训练好的模型，进行
	1.1 人脸验证
	1.2 人脸识别

参考自：
【中文】【吴恩达课后编程作业】Course 4 - 卷积神经网络 - 第四周作业 - 人脸识别与神经风格转换

人脸验证

给出一组【人脸和身份】，在数据库中查找，【人脸】和【身份】是否匹配。

将两个图片送入CNN网络进行编码成128维的向量。
比较两个编码之间的距离，距离越小，越相似

CNN网络

使用FaceNet模型（别人已经训练好）

CNN的损失函数

三元组损失

• A是“Anchor”，是一个人的图像。
• P是“Positive”，是相对于“Anchor”的同一个人的另外一张图像。
• N是“Negative”，是相对于“Anchor”的不同的人的另外一张图像。

A-P的平方，每个维度相加 + $\alpha$ < A-N的平方，每个维度相加
$$\sum _i^n||f(A_i)-f(P_i)|{|}^2+\alpha <\sum _i^n||f(A_i)-f(N_i)|{|}^2$$
A与P之间的距离要尽可能小，A与N之间的距离要尽可能大。
其中，$\alpha$是【相同】和【不同】图像之间至少的区分度。

移项得，
$$\sum _i^n||f(A_i)-f(P_i)|{|}^2-\sum _i^n||f(A_i)-f(N_i)|{|}^2+\alpha <0$$
我们定义，损失函数（三元组损失）:
$$J(A,P,N)=max(\sum _i^n||f(A_i)-f(P_i)|{|}^2-\sum _i^n||f(A_i)-f(N_i)|{|}^2+\alpha ,0)$$
使J尽可能得小。

实现验证

输入【人脸】和【身份】。我们需要验证，该【人脸】是否是该【身份】。

我们可以事先将数据库中的所有【人脸】进行编码，并使用字典将【人脸】和【身份】一一对应。

之后，每当摄像头拍下一张照片，我们只需要将它放到CNN网络进行编码，然后将该编码与数据库中相应身份的编码一起计算二者的距离。若距离dist小于阈值就验证成功。

人脸识别

输入【人脸】。我们需要验证，该【人脸】是否在数据库中。

做法类似人脸验证，事先编码好数据库所有【人脸】

遍历数据库中所有人脸的编码，计算二者之间的距离。取所有距离的最小值。

如果该距离最小值小于阈值，则验证成功。