DeepLearning.ai深度学习课程笔记
  • Introduction
  • 第一门课 神经网络和深度学习(Neural-Networks-and-Deep-Learning)
    • 第一周：深度学习引言(Introduction to Deep Learning)
      • 1.1 神经网络的监督学习(Supervised Learning with Neural Networks)
      • 1.2 为什么神经网络会流行？(Why is Deep Learning taking off?)
    • 第二周：神经网络的编程基础(Basics of Neural Network programming)
      • 2.1 二分类(Binary Classification)
      • 2.2 逻辑回归(Logistic Regression)
      • 2.3 逻辑回归的代价函数（Logistic Regression Cost Function）
      • 2.4 逻辑回归的梯度下降（Logistic Regression Gradient Descent）
      • 2.5 梯度下降的例子(Gradient Descent on m Examples)
      • 2.6 向量化 logistic 回归的梯度输出（Vectorizing Logistic Regression’s Gradient Output）
      • 2.7 （选修）logistic 损失函数的解释（Explanation of logistic regression cost function ）
      • Logistic Regression with a Neural Network mindset 代码
      • lr_utils.py
    • 第三周：浅层神经网络(Shallow neural networks)
      • 3.1 神经网络概述（Neural Network Overview）
      • 3.2 神经网络的表示（Neural Network Representation ）
      • 3.3 计算一个神经网络的输出（Computing a Neural Network's output ）
      • 3.4 多样本向量化（Vectorizing across multiple examples ）
      • 3.5 激活函数（Activation functions）
      • 3.6 为什么需要（ 非线性激活函数？（why need a nonlinear activation function?）
      • 3.7 激活函数的导数（Derivatives of activation functions ）
      • 3.8 神经网络的梯度下降（Gradient descent for neural networks）
      • 3.9 （选修）直观理解反向传播（Backpropagation intuition ）
      • 3.10 随机初始化（Random+Initialization）
      • Planar data classification with one hidden layer
      • planar_utils.py
      • testCases.py
    • 第四周：深层神经网络(Deep Neural Networks)
      • 4.1 深层神经网络（Deep L-layer neural network）
      • 4.2 前向传播和反向传播（Forward and backward propagation）
      • 4.3 深层网络中的前向传播（Forward propagation in a Deep Network ）
      • 4.4 为什么使用深层表示？（Why deep representations?）
      • 4.5 搭建神经网络块（Building blocks of deep neural networks）
      • 4.6 参数 VS 超参数（Parameters vs Hyperparameters）
      • Building your Deep Neural Network Step by Step
      • dnn_utils.py
      • testCases.py
      • Deep Neural Network Application
      • dnn_app_utils.py
  • 第二门课 改善深层神经网络：超参数调试、 正 则 化 以 及 优 化 (Improving Deep Neural Networks:Hyperparameter tuning, Regulariza
    • 第二门课 改善深层神经网络：超参数调试、正则化以及优化(Improving Deep Neural Networks:Hyperparameter tuning, Regularization and
      • 第一周：深度学习的实用层面(Practical aspects of Deep Learning)
        • 1.1 训练，验证，测试集（Train / Dev / Test sets）
        • 1.2 偏差，方差（Bias /Variance）
        • 1.3 机器学习基础（Basic Recipe for Machine Learning）
        • 1.4 正则化（Regularization）
        • 1.5 为什么正则化有利于预防过拟合呢？（Why regularization reduces overfitting?）
        • 1.6 dropout 正则化（Dropout Regularization）
        • 1.7 理解 dropout（Understanding Dropout）
        • 1.8 其他正则化方法（Other regularization methods）
        • 1.9 归一化输入（Normalizing inputs）
        • 1.10 梯度消失/梯度爆炸（Vanishing / Exploding gradients）
        • 1.11 神经网络的权重初始化（Weight Initialization for Deep Networks）
        • 1.12 梯度的数值逼近（Numerical approximation of gradients）
        • 1.13 梯度检验（Gradient checking）
        • 1.14 梯度检验应用的注意事项（Gradient Checking Implementation Notes）
        • Initialization
        • Gradient Checking
        • Regularization
        • reg_utils.py
        • testCases.py
      • 第二周：优化算法 (Optimization algorithms)
        • 2.1 Mini-batch 梯度下降（Mini-batch gradient descent）
        • 2.2 理解 mini-batch 梯度下降法（Understanding mini-batch gradient descent）
        • 2.3 指数加权平均数（Exponentially weighted averages）
        • 2.4 理解指数加权平均数（Understanding exponentially weighted averages ）
        • 2.5 指 数 加 权 平 均 的 偏 差 修 正 （ Bias correction in exponentially weighted averages ）
        • 2.6 动量梯度下降法（Gradient descent with Momentum ）
        • 2.7 RMSprop( root mean square prop)
        • 2.8 Adam 优化算法(Adam optimization algorithm)
        • 2.9 学习率衰减(Learning rate decay)
        • 2.10 局部最优的问题(The problem of local optima)
        • Optimization
        • opt_utils.py
        • testCases.py
      • 第 三 周 超 参 数 调 试 、 Batch 正 则 化 和 程 序 框 架 （Hyperparameter tuning）
        • 3.1 调试处理（Tuning process）
        • 3.2 为超参数选择合适的范围（Using an appropriate scale to pick hyperparameters）
        • 3.3 超参数训练的实践： Pandas VS Caviar（Hyperparameters tuning in practice: Pandas vs. Caviar）
        • 3.4 归一化网络的激活函数（ Normalizing activations in a network）
        • 3.5 将 Batch Norm 拟合进神经网络（Fitting Batch Norm into a neural network）
        • 3.6 Batch Norm 为什么奏效？（Why does Batch Norm work?）
        • 3.7 测试时的 Batch Norm（Batch Norm at test time）
        • 3.8 Softmax 回归（Softmax regression）
        • 3.9 训练一个 Softmax 分类器（Training a Softmax classifier）
        • tensorflow tutorial
        • improv_utils.py
        • tf_utils.py
  • 第三门课 结构化机器学习项目（Structuring Machine Learning Projects）
    • 第三门课 结构化机器学习项目（Structuring Machine Learning Projects）
      • 第一周 机器学习（ML）策略（1）（ML strategy（1））
        • 1.1 为什么是 ML 策略？（Why ML Strategy?）
        • 1.2 正交化（Orthogonalization）
        • 1.3 单一数字评估指标（Single number evaluation metric）
        • 1.4 满足和优化指标（Satisficing and optimizing metrics）
        • 1.5 训练/开发/测试集划分（Train/dev/test distributions）
        • 1.6 开发集和测试集的大小（Size of dev and test sets）
        • 1.7 什么时候该改变开发/测试集和指标？（When to change dev/test sets and metrics）
        • 1.8 为什么是人的表现？（ Why human-level performance?）
        • 1.9 可避免偏差（Avoidable bias）
        • 1.10 理解人的表现（Understanding human-level performance）
        • 1.11 超过人的表现（Surpassing human- level performance）
        • 1.12 改善你的模型的表现（Improving your model performance）
      • 第二周：机器学习策略（2）(ML Strategy (2))
        • 2.1 进行误差分析（Carrying out error analysis）
        • 2.2 清楚标注错误的数据（Cleaning up Incorrectly labeled data）
        • 2.3 快速搭建你的第一个系统，并进行迭代（Build your first system quickly, then iterate）
        • 2.4 在不同的划分上进行训练并测试（Training and testing on different distributions）
        • 2.5 不匹配数据划分的偏差和方差（Bias and Variance with mismatched data distributions）
        • 2.6 定位数据不匹配（Addressing data mismatch）
        • 2.7 迁移学习（Transfer learning）
        • 2.8 多任务学习（Multi-task learning）
        • 2.9 什么是端到端的深度学习？（What is end-to-end deep learning?）
        • 2.10 是否要使用端到端的深度学习？（Whether to use end-to-end learning?）
  • 第四门课 卷积神经网络（Convolutional Neural Networks）
    • 第四门课 卷积神经网络（Convolutional Neural Networks）
      • 第一周 卷积神经网络（Foundations of Convolutional Neural Networks）
        • 1.1 计算机视觉（Computer vision）
        • 1.2 边缘检测示例（Edge detection example）
        • 1.3 更多边缘检测内容（More edge detection）
        • 1.4 Padding
        • 1.5 卷积步长（Strided convolutions）
        • 1.6 三维卷积（Convolutions over volumes）
        • 1.7 单层卷积网络（One layer of a convolutional network）
        • 1.8 简单卷积网络示例（A simple convolution network example）
        • 1.9 池化层（Pooling layers）
        • 1.10 卷积神经网络示例（Convolutional neural network example）
        • 1.11 为什么使用卷积？（Why convolutions?）
        • Convolution model Step by Step
        • Convolutional Neural Networks: Application
        • cnn_utils
      • 第二周 深度卷积网络：实例探究（Deep convolutional models: case studies）
        • 2.1 经典网络（Classic networks）
        • 2.2 残差网络（Residual Networks (ResNets)）
        • 2.3 残差网络为什么有用？（Why ResNets work?）
        • 2.4 网络中的网络以及 1×1 卷积（Network in Network and 1×1 convolutions）
        • 2.5 谷歌 Inception 网络简介（Inception network motivation）
        • 2.6 Inception 网络（Inception network）
        • 2.7 迁移学习（Transfer Learning）
        • 2.8 数据扩充（Data augmentation）
        • 2.9 计算机视觉现状（The state of computer vision）
        • Residual Networks
        • Keras tutorial - the Happy House
        • kt_utils.py
      • 第三周 目标检测（Object detection）
        • 3.1 目标定位（Object localization）
        • 3.2 特征点检测（Landmark detection）
        • 3.3 目标检测（Object detection）
        • 3.4 卷积的滑动窗口实现（Convolutional implementation of sliding windows）
        • 3.5 Bounding Box预测（Bounding box predictions）
        • 3.6 交并比（Intersection over union）
        • 3.7 非极大值抑制（Non-max suppression）
        • 3.8 Anchor Boxes
        • 3.9 YOLO 算法（Putting it together: YOLO algorithm）
        • 3.10 候选区域（选修）（Region proposals (Optional)）
        • Autonomous driving application - Car detection
        • yolo_utils.py
      • 第四周 特殊应用：人脸识别和神经风格转换（Special applications: Face recognition &Neural style transfer）
        • 4.1 什么是人脸识别？（What is face recognition?）
        • 4.2 One-Shot学习（One-shot learning）
        • 4.3 Siamese 网络（Siamese network）
        • 4.4 Triplet 损失（Triplet 损失）
        • 4.5 面部验证与二分类（Face verification and binary classification）
        • 4.6 什么是深度卷积网络？（What are deep ConvNets learning?）
        • 4.7 代价函数（Cost function）
        • 4.8 内容代价函数（Content cost function）
        • 4.9 风格代价函数（Style cost function）
        • 4.10 一维到三维推广（1D and 3D generalizations of models）
        • Art Generation with Neural Style Transfer
        • nst_utils.py
        • Face Recognition for the Happy House
        • fr_utils.py
        • inception_blocks.py
  • 第五门课 序列模型(Sequence Models)
    • 第五门课 序列模型(Sequence Models)
      • 第一周 循环序列模型（Recurrent Neural Networks）
        • 1.1 为什么选择序列模型？（Why Sequence Models?）
        • 1.2 数学符号（Notation）
        • 1.3 循环神经网络模型（Recurrent Neural Network Model）
        • 1.4 通过时间的反向传播（Backpropagation through time）
        • 1.5 不同类型的循环神经网络（Different types of RNNs）
        • 1.6 语言模型和序列生成（Language model and sequence generation）
        • 1.7 对新序列采样（Sampling novel sequences）
        • 1.8 循环神经网络的梯度消失（Vanishing gradients with RNNs）
        • 1.9 GRU单元（Gated Recurrent Unit（GRU））
        • 1.10 长短期记忆（LSTM（long short term memory）unit）
        • 1.11 双向循环神经网络（Bidirectional RNN）
        • 1.12 深层循环神经网络（Deep RNNs）
        • Building your Recurrent Neural Network
        • rnn_utils.py
        • Dinosaurus Island -- Character level language model final
        • utils.py
        • shakespeare_utils.py
        • Improvise a Jazz Solo with an LSTM Network
      • 第二周 自然语言处理与词嵌入（Natural Language Processing and Word Embeddings）
        • 2.1 词汇表征（Word Representation）
        • 2.2 使用词嵌入（Using Word Embeddings）
        • 2.3 词嵌入的特性（Properties of Word Embeddings）
        • 2.4 嵌入矩阵（Embedding Matrix）
        • 2.5 学习词嵌入（Learning Word Embeddings）
        • 2.6 Word2Vec
        • 2.7 负采样（Negative Sampling）
        • 2.8 GloVe 词向量（GloVe Word Vectors）
        • 2.9 情感分类（Sentiment Classification）
        • 2.10 词嵌入除偏（Debiasing Word Embeddings）
        • Operations on word vectors
        • w2v_utils.py
        • Emojify
        • emo_utils.py
      • 第三周 序列模型和注意力机制（Sequence models & Attention mechanism）
        • 3.1 基础模型（Basic Models）
        • 3.2 选择最可能的句子（Picking the most likely sentence）
        • 3.3 集束搜索（Beam Search）
        • 3.4 改进集束搜索（Refinements to Beam Search）
        • 3.5 集束搜索的误差分析（Error analysis in beam search）
        • 3.6 Bleu 得分（选修）（Bleu Score (optional)）
        • 3.7 注意力模型直观理解（Attention Model Intuition）
        • 3.8注意力模型（Attention Model）
        • 3.9语音识别（Speech recognition）
        • 3.10触发字检测（Trigger Word Detection）
        • Neural machine translation with attention
        • nmt_utils.py
        • Trigger word detection
        • td_utils.py
Powered by GitBook
On this page

Was this helpful?

  1. 第四门课 卷积神经网络（Convolutional Neural Networks）
  2. 第四门课 卷积神经网络（Convolutional Neural Networks）
  3. 第四周 特殊应用：人脸识别和神经风格转换（Special applications: Face recognition &Neural style transfer）

4.4 Triplet 损失（Triplet 损失）

Previous4.3 Siamese 网络（Siamese network）Next4.5 面部验证与二分类（Face verification and binary classification）

Last updated 6 years ago

Was this helpful?

要想通过学习神经网络的参数来得到优质的人脸图片编码，方法之一就是定义三元组损失函数然后应用梯度下降

三元组损失每个样本包含三张图片：靶目标（Anchor）、正例（Positive）、反例（Negative），简写成AAA、PPP、NNN

网络的参数或者编码应满足：

让∣∣f(A)−f(P)∣∣2|| f(A) - f(P) ||^{2}∣∣f(A)−f(P)∣∣2很小，即：

∣∣f(A)−f(P)∣∣2≤∣∣f(A)−f(N)∣∣2|| f(A) - f(P)||^{2} \leq ||f(A) - f(N)||^{2}∣∣f(A)−f(P)∣∣2≤∣∣f(A)−f(N)∣∣2
∣∣f(A)−f(P)∣∣2−∣∣f(A)−F(N)∣∣2≤0||f(A)-f(P)||^2-||f(A)-F(N)||^2\leq 0∣∣f(A)−f(P)∣∣2−∣∣f(A)−F(N)∣∣2≤0

∣∣f(A)−f(P)∣∣2|| f(A) - f(P) ||^{2}∣∣f(A)−f(P)∣∣2）是d(A,P)d(A,P)d(A,P)，∣∣f(A)−f(N)∣∣2|| f(A) - f(N) ||^{2}∣∣f(A)−f(N)∣∣2是d(A,N)d(A,N)d(A,N)

如果所有的图片都是零向量，即f(A)=0,f(P)=0,f(N)=0f(A)=0,f(P)=0,f(N)=0f(A)=0,f(P)=0,f(N)=0那么上述不等式也满足。但是对进行人脸识别没有任何作用，所以添加一个超参数α\alphaα，且α>0\alpha>0α>0，对上述不等式做出如下修改：

∣∣f(A)−f(P)∣∣2−∣∣f(A)−F(N)∣∣2≤−α||f(A)-f(P)||^2-||f(A)-F(N)||^2\leq -\alpha∣∣f(A)−f(P)∣∣2−∣∣f(A)−F(N)∣∣2≤−α
∣∣f(A)−f(P)∣∣2−∣∣f(A)−F(N)∣∣2+α≤0||f(A)-f(P)||^2-||f(A)-F(N)||^2+\alpha \leq 0∣∣f(A)−f(P)∣∣2−∣∣f(A)−F(N)∣∣2+α≤0

间隔参数α\alphaα也被称为边界margin，类似于支持向量机中的margin，拉大了Anchor和Positive图片对和Anchor与Negative图片对之间的差距。若d(A,P)=0.5d(A,P)=0.5d(A,P)=0.5，α=0.2\alpha=0.2α=0.2，则d(A,N)≥0.7d(A,N)\geq0.7d(A,N)≥0.7

损失函数的定义基于三元图片组，即取这个和0的最大值：

L(A,P,N)=max(∣∣f(A)−f(P)∣∣2−∣∣f(A)−f(N)∣∣2+α,0)L( A,P,N) = max(|| f( A) - f( P)||^{2} -|| f( A) - f( N)||^{2} + \alpha,0)L(A,P,N)=max(∣∣f(A)−f(P)∣∣2−∣∣f(A)−f(N)∣∣2+α,0)

maxmaxmax函数的作用是只要∣∣f(A)−f(P)∣∣2−∣∣f(A)−f(N)∣∣2+α≤0|| f( A) - f( P)||^{2} -|| f( A) - f( N)||^{2} + \alpha\leq0∣∣f(A)−f(P)∣∣2−∣∣f(A)−f(N)∣∣2+α≤0，损失函数就是0

如果∣∣f(A)−f(P)∣∣2−∣∣f(A)−f(N)∣∣2+α≤0|| f( A) - f( P)||^{2} -|| f( A) - f( N)||^{2} + \alpha\leq0∣∣f(A)−f(P)∣∣2−∣∣f(A)−f(N)∣∣2+α≤0，最终会得到∣∣f(A)−f(P)∣∣2−∣∣f(A)−f(N)∣∣2+α|| f(A) - f( P)||^{2} -|| f( A) - f( N)||^{2} +\alpha∣∣f(A)−f(P)∣∣2−∣∣f(A)−f(N)∣∣2+α，即正的损失值。通过最小化这个损失函数达到的效果就是使这部分∣∣f(A)−f(P)∣∣2−∣∣f(A)−f(N)∣∣2+α|| f( A) - f( P)||^{2} -||f( A) - f( N)||^{2} +\alpha∣∣f(A)−f(P)∣∣2−∣∣f(A)−f(N)∣∣2+α成为0，或者小于等于0

整个网络的代价函数是训练集中单个三元组损失的总和

如何选择三元组来形成训练集：如果从训练集中随机地选择AAA、PPP和NNN，遵守AAA和PPP是同一个人，而AAA和NNN是不同的人这一原则。那么约束条件（d(A,P)+α≤d(A,N)d(A,P) + \alpha \leq d(A,N)d(A,P)+α≤d(A,N)）很容易达到，因为随机选择的图片，AAA和NNN比AAA和PPP差别很大的概率很大，而且差距远大于α\alphaα，这样网络并不能从中学到什么

所以为了构建一个数据集，要做的就是尽可能选择难训练的三元组AAA、PPP和NNN：

想要所有的三元组都满足条件（d(A,P)+a≤d(A,N)d(A,P) + a \leq d(A,N)d(A,P)+a≤d(A,N)），AAA、PPP和NNN的选择应使得d(A,P)d(A,P)d(A,P)很接近d(A,N)d(A,N)d(A,N)，即d(A,P)≈d(A,N)d(A,P) \approx d(A,N)d(A,P)≈d(A,N)，这样学习算法会竭尽全力使右边式子变大（d(A,N)d(A,N)d(A,N)），或者使左边式子（d(A,P)d(A,P)d(A,P)）变小，这样左右两边至少有一个α\alphaα的间隔。并且选择这样的三元组还可以增加学习算法的计算效率

总结：

训练三元组损失需要把训练集做成很多三元组，这就是一个三元组（编号1），有一个Anchor图片和Positive图片，这两个（Anchor和Positive）是同一个人，还有一张另一个人的Negative图片。这是另一组（编号2），其中Anchor和Positive图片是同一个人，但是Anchor和Negative不是同一个人，等等。

定义了这些包括AAA、PPP和NNN图片的数据集之后，还需要用梯度下降最小化代价函数JJJ，这样做的效果就是反向传播到网络中的所有参数来学习到一种编码，使得如果两个图片是同一个人，那么它们的ddd就会很小，如果两个图片不是同一个人，它们的ddd 就会很大