1.6Facenet
Facenet主要是采用的欧几里得距离（欧式距离）来衡量两张图片或者两张人脸的相似度，欧式距离越小代表图片越相似，欧式距离越大，代表图片越不相似。
所以先将一副图片x，采用函数f（x）将其变成128维的embedding（embedding：多维数组来表示不同的类别），然后计算embedding之间的距离。
在比较embedding的欧式距离时，将图片的欧式距离与真的（positive）图片标签比较，训练时使其距离小；将图片的欧式距离与非真的（negative）图片标签比较，训练时使其距离扩大。
得到了图片的欧式距离，就可以用来进行人脸识别、人脸认证、人脸分类等等。
下图就是欧式距离的一个说明，可以看到大于1.1的代表是不同的人脸，小于1.1的是代表相同的人脸，及时图片亮度、脸的姿势不太一样。
1.6.1模型结构
该模型如下图所示，Facenet采用小批量方法，用CNN网络经L2 normalization（归一化）后生成embedding，然后计算Triplet loss。
Triplet loss的计算需要小批量方法才能计算出来，如果直接在整个训练数据上进行时很难的。下面章节介绍下Triplet loss。
1.6.2Triplet loss
Triplet loss表示三元损失，即三个东西之间的损失，即样本、positive标签、negative标签。
Triplet loss在上面其实介绍过了，结合下图再看下。在比较embedding的欧式距离时，将图片的欧式距离与真的（positive）图片标签比较，训练时使其距离小；将图片的欧式距离与非真的（negative）图片标签比较，训练时使其距离扩大。
Triplet loss计算公式如下，anchor与positive的距离加上一个边缘常数，小于anchor与negative的距离。
1.6.3Git地址
https://github.com/davidsandberg/facenet