1. 人脸识别
现在可以看到很多产品在运用人脸识别，如手机解锁、车站身份识别认证、刷脸支付等
在人脸识别的相关文献中，人们经常提到
人脸验证（face verification）
人脸识别（face recognition）
人脸验证问题：
如果有一张输入图片，以及某人的ID或者是名字
这个系统要做的是，验证输入图片是否是这个人
有时候也被称作1对1问题
只需要弄明白这个人是否和他声称的身份相符
而人脸识别问题比人脸验证问题难很多
因为这是1对多问题（1:K）
假设有一个验证系统，准确率是99%，自我感觉还可以
但是现在，假设在识别系统中，K=100
如果把这个验证系统应用在100个人身上，人脸识别上，犯错的机会就是100倍了
如果每个人犯错的概率是1%，如果有一个上百人的数据库
如果想得到一个可接受的识别误差，要构造一个验证系统，其准确率为99.9%或者更高
然后才可以在100人的数据库上运行，而保证有很大几率不出错
事实上，如果有一个100人的数据库，正确率可能需要远大于99%，才能得到很好的效果
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
这意味着在大多数人脸识别应用中：
需要通过单单一张图片或者单单一个人脸样例就能去识别这个人
而历史上，当深度学习只有一个训练样例时，它的表现并不好
看一个直观的例子，并讨论如何去解决这个问题：
假设数据库里有4张成员照片，分别是哆啦A梦、大雄、胖虎、小夫
现在假设有个人（编号1所示）来到一个地方，并且想通过带有人脸识别系统的任意门
现在系统需要做的就是，仅仅通过一张已有的胖虎照片，来识别前面这个人确实是他
相反，如果机器看到一个不在数据库里的人（编号2所示），应该能分辨出她不是数据库中四个人之一
所以在一次学习问题中，只能通过一个样本进行学习，以能够认出同一个人
大多数人脸识别系统都需要解决这个问题
因为在数据库中每个成员可能都只有一张照片
有一种办法是，将人的照片放进卷积神经网络中
使用softmax单元来输出4种，或者说5种标签，分别对应这4个人，或者4个都不是
所以softmax里会有5种输出
但实际上这样效果并不好
因为如此小的训练集不足以去训练一个稳健的神经网络
而且，假如有新人加入伐木累，现在将会有5个成员需要识别，所以输出就变成了6种
这时要重新训练神经网络吗？这听起来实在不像一个好办法
3. Similarity函数
所以要让人脸识别能够做到一次学习，为了能有更好的效果
现在要做的应该是学习Similarity函数
详细地说，想要神经网络学习这样一个用d dd表示的函数：
d(img1,img2) d(img1,img2)d(img1,img2) = degree of difference between images
它以两张图片作为输入，然后 输出这两张图片的差异值
如果放进同一个人的两张照片，希望它能输出一个很小的值
如果放进两个长相差别很大的人的照片，它就输出一个很大的值
所以在识别过程中：
如果这两张图片的差异值小于某个阈值 τ ττ，它是一个超参数，那么就预测这两张图片是同一个人
如果差异值大于 τ ττ，就能预测这是不同的两个人，这就是解决人脸验证问题的一个可行办法
将它应用于识别任务：
要做的是拿这张新图片（编号6）
然后用d dd函数去比较这两张图片（编号1和编号6）
这样可能会输出一个非常大的数字，在该例中，比如说这个数字是10
之后再让它和数据库中第二张图（编号2）片比较
这样可能会输出一个非常大的数字，在该例中，比如说这个数字是10
之后再让它和数据库中第三张图（编号3）片比较
这样可能会输出一个非常大的数字，在该例中，比如说这个数字是11
之后再让它和数据库中第四张图（编号4）片比较
因为这两张照片是同一个人，所以希望会输出一个很小的数
然后再用它与数据库中的其他所有图片（编号1、2、3）进行比较
通过这样的计算，最终能够知道这个人确实是胖虎
对应的，如果某个人（编号7）不在数据库中，通过函数d dd将他们的照片两两进行比较
最后希望d dd会对所有的比较都输出一个很大的值
这就证明这个人并不是数据库中4个人的其中一个
要注意在这过程中是如何解决一次学习问题的
只要能学习这个函数d dd，通过输入一对图片，它将会告诉这两张图片是否是同一个人
如果之后有新人加入了伐木累（编号5），只需将他的照片加入数据库，系统依然能照常工作