深度学习深似海、尤其是在图像人脸识别领域，最近几年的顶会和顶刊常常会出现没有太多的理论创新的文章，但是效果摆在那边。
DeepID是深度学习方法进行人脸识别中的一个简单，却高效的一个网络模型，其结构的特点可以概括为两句话：1、训练一个多个人脸的分类器，当训练好之后，就可以把待测试图像放入网络中进行提取特征，2对于提取到的特征，然后就是利用其它的比较方法进行度量。具体的论文可以参照我的一篇论文笔记：【深度学习论文笔记】Deep Learning Face Representation from Predicting 10,000 Classes
首先我们完全参考论文的方法用Caffe设计一个网络结构：
其拓扑图如图1所示：
图1：DeepID的网络结构，图像比较大，需要放大才能看的清楚
网络定义文件：
略 1训练一个好的深度模型，一个好的训练数据是必不可少的。针对人脸识别的数据，目前公开的数据也有很多：比如最近的MegaFace、港大的Celbra A、中科研的WebFace 等等。在这里，我选择WebFace人脸数据库作为训练（人脸库不是很干净，噪声较多），图像公共50万张左右，共10575个人，但是数据不平衡。
要评测一个算法的性能，需要找一个公平的比对数据库来评测，在人脸验证中，LFW数据库无疑是最好的选择。在lfw评测中，给出6000千对人脸图像对进行人匹配。
训练数据和测试数据都选择好之后，就需要进行数据处理了，为了提供较好的识别准确度，我采用了训练数据和测试数据统一的预处理方法（虽然LFW上有提供已经预处理过的人脸图像，但是预处理的具体参数还是未知的），测试数据和训练数据都采样相同的人脸检测和对齐方法。
主要分为3个步骤： 1，人脸检测 2，人脸特征点检测 3、人脸的对齐
这三个步骤可以用我做的一个小工具：FaceTools 来一键完成。
具体来说，需要选择一个标准的人脸图像作为对齐的基准，我挑选一位帅哥当标准图像： 如图：
训练数据通过对齐后是这样的：
LFW测试数据通过对齐后是这样的：
图像处理好之后，需要将其转化为Caffe 可以接受的格式。虽然Caffe支持直接读图像文件的格式进行训练，但是这种方式磁盘IO会比较的大，所以我这里不采用图像列表的方式，而是将训练和验证图片都转化为LMDB的格式处理。
划分训练集和验证集（我采样的是9：1的比例） 脚本如下：
略 1再调用Caffe 提供的转化函数： 脚本如下：
略 1这样之后，训练的数据就准备好了。
上面的这些步骤之后，数据就已经处理好了，现在需要指定网络的超参数：
具体超参数设置如下：
略 1训练的时候，可以查看学习曲线：
LFW上，提供了6000对的人脸图像对来作为评测数据，由于我采用的是自己选的人脸检测和对齐方法，所以有些人脸在我的预处理里面丢失了（检测不到），为了简单的处理这种情况，在提特征的时候，没有检测到的图像就用原来的图像去替代。
略 1然后进行人脸的比对
略 1结果ROC曲线：
通过选择合适的脚本，得到的准确度为：0.826333333333, 有点低。
实验的结果没有理想中的那么好，主要的原因分为几个： 1、数据集不够好：有较多的噪声数据 2、数据集合不平衡：每个人的图片个数从几十张到几百张不等。 3,、网络结构没优化：原始的DeepID的大小为：48*48，而我选择的人脸图像大小为64*64，网络结构却没有相对应的调整。（主要影响在于全连接层的个数太多了）
