A Discriminative Feature Learning Approach for Deep Face Recognition
github: https://github.com/ydwen/caffe-face
配置 caffe-face，并训练数据。
1. 配置 caffe-face
下载源代码并在服务器上直接进行 caffe-face 编译：
make: *** [.build_release/src/caffe/layer_factory.o] 错误 1
make: *** [.build_release/lib/libcaffe.so.1.0.0-rc3] 错误 1
解决方案：
拷贝服务器上能够编译成功的 caffe 的 Makefile，Makefile.config 和 Makefile.config.example 三个文件。可在百度云盘下载：
链接: https://pan.baidu.com/s/1pNtAO0z 密码: s296
配置方法：
make all -j
make test -j
配置Python接口：
make pycaffe
2. 准备数据并训练模型 [ http://blog.csdn.net/qq_14845119/article/details/53308996 ]
a. 数据预处理
该训练最重要的其实还是数据集的准备，也就是先期数据的预处理，所有的图片都要crop为112*96的大小，因为这里是使用的caffe自带的train进行训练的。
如果是使用自己的数据，请按照 caffe-face 官网给出的指导，使用 MTCNN 进行处理。
训练集和测试集的数据格式整理：
# 下载 CASIA-WebFace 数据
ls WebFace/ > allfile.list
# allfile.list 形式如下：(注意：打开 allfile.txt 文件，手动删除不是序列号的行)
#0000045
#0000099
#0000100
#0000102
while read -r line; do ls -R /home/work/Edward/centerloss/caffe-face-caffe-face/face_example/data/WebFace/$line/*.jpg >> webface.list; done < allfile.list
# webface.list 形式如下：
#/home/work/Edward/centerloss/caffe-face-caffe-face/face_example/data/WebFace/0000045/001.jpg
#/home/work/Edward/centerloss/caffe-face-caffe-face/face_example/data/WebFace/0000045/002.jpg
#/home/work/Edward/centerloss/caffe-face-caffe-face/face_example/data/WebFace/0000045/003.jpg
awk '$0=NR-1"\t"$0' allfile.list | awk '{print $2" "$1}' > allfile_xuhao.list
# allfile_addxuhao.list 形式如下：
#0000045 0
#0000099 1
#0000100 2
#0000102 3
awk -F '/' '{print $0,$10}' webface.list > webface_addsample.list
# webface_addsample.list 形式如下：
#/home/work/Edward/centerloss/caffe-face-caffe-face/face_example/data/WebFace/0000045/001.jpg 0000045
#/home/work/Edward/centerloss/caffe-face-caffe-face/face_example/data/WebFace/0000045/002.jpg 0000045
#/home/work/Edward/centerloss/caffe-face-caffe-face/face_example/data/WebFace/0000045/003.jpg 0000045
awk 'NR==FNR{a[$1]=$2;next}{print $0,a[$2]}' allfile_xuhao.list webface_addsample.list | awk '{print $1" "$3}'> webface_all.list
# webface_all.list 形式如下：
#/home/work/Edward/centerloss/caffe-face-caffe-face/face_example/data/WebFace/0000045/001.jpg 0
#/home/work/Edward/centerloss/caffe-face-caffe-face/face_example/data/WebFace/0000045/002.jpg 0
#/home/work/Edward/centerloss/caffe-face-caffe-face/face_example/data/WebFace/0000045/003.jpg 0
#/home/work/Edward/centerloss/caffe-face-caffe-face/face_example/data/WebFace/0000045/004.jpg 0
#/home/work/Edward/centerloss/caffe-face-caffe-face/face_example/data/WebFace/0000045/005.jpg 0
sort --random-sort webface_all.list > webface_random.list # 使用sort 命令将文件随机排序
# webface_random.list 形式如下：
head -n 5000 webface_random.list > webface_test.list # 选择前 5000 作为测试集
tail -n +5001 webface_random.list > webface_train.list # 选择除了前 5000 行的数据作为训练集
# 修改 face_train_test.prototxt 中的相关参数：
18行：source的位置，训练的图片，格式为路径/图片名 类别 # 注意：是1个空格，（从0开始）# batch_size 为128，或256
39行：source的位置，测试的图片，格式为路径/图片名 类别
1146行：num_output，输出的个数，CASIA有10575个
1175行：num_output，输出的个数，CASIA有10575个
1180行：loss_weight，这里作者程序中给的是0.008，论文中验证的是0.003最佳，可以结合自己的数据集实际测试，本人测试效果差距不大，该参数为center_loss的乘积参数
cd $CAFFE-FACE_ROOT
nohup ./build/tools/caffe train --solver=face_example/face_solver.prototxt --gpu 3 >>log.txt &b. 修改训练文件参数
修改 face_train_test.prototxt 中的相关参数：
18行：source的位置，训练的图片，格式为路径/图片名 类别 # 注意：是1个空格，（从0开始）
39行：source的位置，测试的图片，格式为路径/图片名 类别
1146行：num_output，输出的个数，CASIA有10575个，但是有3个和LFW一样，所以这里作者用了10572个
1175行：num_output，输出的个数，CASIA有10575个，但是有3个和LFW一样，所以这里作者用了10572个
1180行：loss_weight，这里作者程序中给的是0.008，论文中验证的是0.003最佳，可以结合自己的数据集实际测试，本人测试效果差距不大，该参数为center_loss的乘积参数
然后下面的脚本开始训练：
cd $CAFFE-FACE_ROOT
./build/tools/caffe train -solver face_example/face_solver.prototxt -gpu 3
参考：
http://blog.csdn.net/qq_14845119/article/details/53308996 （重点）
https://pangyupo.github.io/2016/10/16/mxnet-center-loss/
http://blog.csdn.net/hlx371240/article/details/51388022 （vgg-face）
