有facenet的keras的训练代码吗？

[busyyang]

我看到你直接加载facenet的模型的，你有训练代码吗？用中心损失训练的那种？

[majinmin]

我有，亲

[majinmin]

@busyyang 我有亲

[busyyang]

@majinmin 我看你的git没看到啊.....可以上传一份到git或者分享一下吗

[majinmin]

@busyyang 我用的是triplet loss，官网也有

[majinmin]

@busyyang 想要keras的吗

[busyyang]

是的，keras的，三元损失也行，中心损失也行，那个网站有。

[majinmin]

@busyyang https://github.com/ma1112/keras-triplet-loss

[busyyang]

@majinmin 你模型是怎么构建的，输出什么去用loss训练？你有完整的可以训练的代码吗

[bubbliiiing]

之后会出，你很急么，我还在测试。

[busyyang]

@busyyang 也不是很急，我就是在想facenet的输出层是什么，怎么进行训练，按理说输出就直接是128D的向量，如果用三元损失的话，计算欧氏距离就好了。但用三元损失的话，如果有5000个类别的训练输入，输出层还是128D的向量，那怎么去聚到5000了中心上去啊.......

[majinmin]

@busyyang 不用管类别多少，我发给你的是按批次训练的，你可以看一下原作者的loss的设计过程 原文加了 L2层

[busyyang]

@majinmin 我知道，你发那个三元损失的不需要管多少类别。但是用中心损失的话，我觉得还是需要的......

[busyyang]

这个训练过程中不能用‘acc’来表示分类准确率吧，模型输出不是分类结果，但是用了metrics=['acc']居然不报错......两个tensor都不一样长，他是怎么比较的。。。。

[majinmin]

@busyyang 不会报错的，但是也不应该用acc，可以辅助设计交叉熵损失

[busyyang]

@majinmin 我看了acc的核心实现是用的K.equal(y_true, y_pred)，自己送两个shape 不一样的tensor就是报错了...... 另外，你给我那个三元损失，我训练CASIA数据集，loss降到1.0000就不动了。。。。。。

[majinmin]

@ busyyang 损失函数发我看看，还有就是网络最后一层加L2_Normal_Layer

[busyyang]

模型加了L2normal了：

def build_model(num_output, input_size):
    base_model = InceptionResNetV2(input_shape=input_size, weights=None)
    _input = base_model.input
    _output = base_model.layers[-2].output
    _output = Dense(num_output, name='output')(_output)
    _output = Lambda(lambda x: K.l2_normalize(x, axis=1), name='l2norm')(_output)
    model = Model(_input, _output)
    model.summary()
    return model

损失函数就是你前面发的那个git的，我把那个py文件复制出来了。

from triplet_loss import batch_hard_triplet_loss as tripletLoss
.....

model.compile(keras.optimizers.Adam(0.01), loss=tripletLoss)

[majinmin]

@busyyang 学习率太高了，1e-4

[busyyang]

@majinmin let me try try.

[majinmin]

@busyyang

[majinmin]

@busyyang 你这个问题我遇到过，标签形状需要扁平化

[busyyang]

@majinmin 你有研究过中心损失的实现吗，在输出是128D的向量的情况下，如何聚类的。。。。

[majinmin]

@busyyang 1.你那个可以收敛了吗， 2. 中心损失，是已经训练完输出128 的embedding再聚类，还是 啥意思？

[busyyang]

@majinmin 1 改了损失报错了，现在在看是什么问题。 2 中心损失是在训练过程中，不仅输出类与类的间距变大，类内的间距变小。你可以看下中心损失的定义，我不知道是不是我之前的理解有问题，构建模型的时候就是应该多少分类就多少个输出节点，不要管embedding的问题。

[majinmin]

@busyyang tiplet loss 的label 只用于在线样本采样，和中心损失，insight 不一样的

[majinmin]

@busyyang 模型 输出的节点要根据损失是如何设计的，也可以设计多输出，多输出，计算一样的

[busyyang]

对的，我之前应该是搞混了，中心损失的输出层节点就是有多少类就输出多少的。