码字不易，转载请注明出处！
前面我们制作好了训练所需要的文件：train.rec，property，以及验证时所需要的val.bin，那么接下来就是该探索如何进行数据的训练。
这部分内容相对来说比较简单，毕竟框架和代码都是作者已经写好的，可供更改的内容还是有限的，所以也没有太多技巧的内容，更多就是按部就班的来。
模型训练
训练文件在”src”=>”train_softmax.py”文件内：
打开train_softmax.py文件后，主要关注的是一些训练参数，这里的内容还是挺多的，需要花点时间看下每项都在做什么。
我们用到的内容主要有以下几个：
87行中，我们需要指定我们制作的训练样本train.rec文件所在的文件夹
88行中，我们需要指定将来模型训练好之后保存到哪个位置
89行中，表示我们所使用的作者提供的预训练模型路径和名称
91行中，表示我们所希望使用的loss种类，这里作者提供了5中loss可供使用，分别是1)原始的softmax、2）SphereFace；3）cosineface；4）arcface；5）各种loss结合版本。这部分内容在作者的github主页上面有介绍：
5. 92行中，表示每隔多少个iteration做一次验证并保存模型
6. 95行中，network表示使用何种网络模型，在路径”src”=>”symbols”文件夹下有不同的模型，并且在代码中也用get_symbol()函数中定义了不同的模型，可以根据自己的需求使用，这里作者默认为resnet50
7. 97行中，是否使用se网路结构，这部分内容可以查看Squeeze and excitations networks论文，作者在论文中是使用的，模型的表现也不错，虽然默认是0，但是建议还是用上。
8. 112行中，设置batchsize的大小
9. 113-114行设置特征归一化后的大小和margin的大小，这部分内容很多论文都有提到
10. 128行中，target表示验证数据。作者原始使用了lfw、cfp、agedb三种验证集，但是我们这里因为要使用我们自己的，所以这里可以通过参数更改，或者直接在默认值中添加我们的数据集。并且，一定要注意的是，这里的target一定得有，不然网络训练中是不会保存模型的。即使我们在92行中设定了验证的间隔，但是如果我们没有提供验证数据，就不会有验证的过程，而且也不会保存模型。我在刚刚开始训练的时候，没有添加验证集，结果导致了模型训练了好久，训练准确度虽然提升了，但是由于没有验证集，所以模型不做验证也不保存数据。所以这里一定要加上。
别的内容自己了解下，根据自己的需要进行下尝试。
实际在使用的时候，依然是将训练参数写入一个.sh文件中，这样就可以直接通过更改.sh文件的内容来达到控制网络运行的目的：
#!/usr/bin/env bash
CUDA_VISIBLE_DEVICES=’0′ python -u train_softmax_my.py –prefix ../models/model-r50-am-lfw –loss-type 0 –data-dir ../dataset/train –per-batch-size 32 \
–version-se 1 –verbose 1000 –target val –margin-s 64 –emb-size 512
上面的参数可以解释为，使用0号gpu，训练我的train_softmax_my.py文件，预训练模型保存路径为上级目录中的models文件夹内的”model-r50-am-lfw” ，使用原始的softmax损失，数据存放路径为上级目录中的dataset文件夹中的train文件夹内，batchsize为32， 使用se网络，每隔1000次进行一下验证，并保存模型，验证集的名称为val，因为它与train文件是放在同一个目录下的，所以模型自己会去train的路径下去找，归一化后特征尺度为64，最后的输出特征层的维度为512维。
那么在命令行敲入sh 你的sh文件名称.sh或者 ./你的sh文件名称.sh文件就可以跑起来了。
模型验证
同样是在”src”=>”train_softmax.py”文件中的第403行：
我们可以看到，定义了一个ver_test（）函数来进行验证，验证使用的是verification.test函数，这部分的内容是在”src”=>“eval”=>”verification.py”文件中定义的。
而调用ver_test()函数，则是通过系统的一个回调函数来进行调用：
从上图中可以看到，418行中初始化了一个global_step，训练的时候会在432行中将这个变量加1，并将值赋给mbatch变量，当这个mbatch变量满足444行中的判定条件，那么就调用ver_test函数，从而进入验证阶段。
而验证阶段的目的只有一个：采用n-fold交叉验证的方式，确定一个阈值来使模型对验证集中相同的图相对判定为1，不相同的图相对判定为0。
具体而言，在”verification.py”文件中，找到test函数：
可以看到，该函数加载了数据和模型之后，通过将训练数据data_set划分为多个batch之后，得到_data，然后将其送入网络中进行前向推理（232行），获得输出的特征。也就是通过这部分内容，net_out变量保存的内容就是网络在前向推理得到的不同图像的特征向量。
然后对特征向量进行后续的操作：
从上图中可以看到，这里首先对特征向量进行了标准化（278行），然后将标准化后的特征向量送入281行中的evaluate函数进行评估。而evaluate函数如下：
可以看到，这里设定的阈值为从0到4，变化幅度为0.01，一共400个阈值，算法将从这400个阈值中选取最合适的阈值。注意，这个函数输入的参数embeddings其实在上一步中已经对输入的图相对进行了重新组合，还是拿上面的NBA例子作为示例，原来我们送入的图像对是这样的：
但是这里已经embeddings中保存的图像为如下形式：
唯一的区别就是，这里的embeddings分别对应着每个人的特征向量，而不是原始图像。embeddings1和embeddings2分别保存着embeddings中特征向量的奇数行和偶数行，这样做可以非常方便的进行比较操作，比如embeddings1[0] （韦德1）和embeddings2[0]（韦德2）就表示相同，actual_issame[0]对应为1，embeddings1[3]（科比3）和embeddings2[3]（科比4）也表示相同， actual_issame[1]为1，但是embeddings1[8]（韦德1） 和embeddings2[8]（科比2）就表示不相同，actual_issame[8]为0。当然也可以不这样做，只不过操作稍微麻烦一点。
在177行，所有的内容都被送入calculate_roc中进行计算，求取tpr和fpr。
该函数中，首先根据参数将送入的embeddings和标签actual_issame划分为k-fold（这里为10折），然后对两个特征向量求取欧氏距离（76、77行），以便下步计算两者之间的相似度。
而且，在79行，将特征向量划分为训练集和验证集（划分比例为9:1），然后在100行的循环中将训练集送入calculate_accuracy函数中，计算训练集在不同阈值情况下的准确率。得到最高的准确率所对应的阈值之后，再在104行的循环中和106行，利用该阈值在测试集上进行试验，获得对应的准确率指标。这样总共经过10次循环，就可以计算出在10次划分中，不同划分下的最优阈值，这个阈值将是我们将不同人脸区分开的重要阈值。
这里，我们可以看到，函数是对不同阈值情况下的不同划分，计算器混淆矩阵，然后求解tpr和fpr和acc。这里假设我们将相同人的图像对认为是正样本，不同人的图像对认为是负样本。
tpr表示的就是：所有的正样本中，模型正确判断其为正样本所占的比例。
fpr表示的就是：所有的负样本中，模型误判某些负样本为正样本所占的比例。
acc表示的就是：所有样本中，正样本和负样本都划分对的部分占所有样本的比例。
因为对于不同图像对来讲，我们的希望模型能够尽量把相同的人和不同的人都划分正确。但实际上是不可能的。通常我们希望tpr越高越好，代表模型能够充分将正样本判定为正样本；同时，也希望模型fpr越低越好，表示模型不会对负样本发生误判。而实际上这两者之间是互相制约的。想要tpr高，则模型应该不要太敏感，但是如果模型不敏感，那么fpr就会升高，反之亦然。所以实际上在使用中是根据需要尽量取到一个平衡点。
总之，通过了10折交叉验证，我们获得了在不同的阈值情况下的一个准确率。而使得准确率最高的阈值就是我们想要的。
通过上面的过程，就完成了模型的验证过程。并且得到了不同人脸之间区分的阈值，那么这个阈值就是我们将来进行人脸识别重要指标。如果两个人的特征向量之间的距离小于该阈值，那么我们判定其为同一个人，如果大于该阈值，则判定其为不同的人。
通过训练和验证过程，我们最终获得了一个训练好的模型和一个计算好的阈值。其实到这步我们就已经具备了1:1的识别能力了。但是想要实现1：N，我们还需要构建一个人脸特征库。这部分内容在下节进行介绍。
————————————————
版权声明：本文为CSDN博主「hanjiangxue_wei」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/hanjiangxue_wei/article/details/86566435