pytorch孪⽣⽹络识别⾯部相似度代码解读
本⽂章记录最近看的⼀个孪⽣⽹络实现⼈脸⾯部相似度的代码实例，关于孪⽣⽹络的定义，可以，该项⽬所使⽤的的⽹络架构为标准的卷积神经⽹络架构，在每个卷积层之后使⽤批量归⼀化（batch normolization），然后进⾏dropout。
春节福字图片大全
孪⽣⽹络架构的代码⽚段：
class SiameNetwork(nn.Module):
def __init__(lf):
super(SiameNetwork, lf).__init__()
lfn1 = nn.Sequential(
nn.ReflectionPad2d(1),
nn.Conv2d(1, 4, kernel_size=3),
nn.ReLU(inplace=True),
nn.BatchNorm2d(4),
#nn.BatchNorm2d(4)中参数4为通道数
nn.ReflectionPad2d(1),
nn.Conv2d(4, 8, kernel_size=3),
nn.ReLU(inplace=True),
nn.BatchNorm2d(8),
nn.ReflectionPad2d(1),
nn.Conv2d(8, 8, kernel_size=3),
nn.ReLU(inplace=True),
nn.BatchNorm2d(8),
)
lf.fc1 = nn.Sequential(
nn.Linear(8*100*100, 500),
nn.ReLU(inplace=True),
nn.Linear(500, 500),
发现作文600字nn.ReLU(inplace=True),
nn.Linear(500, 5))
def forward_once(lf, x):
output = lfn1(x)
output = output.view(output.size(0), -1)
output = lf.fc1(output)
return output
def forward(lf, input1, input2):
output1 = lf.forward_once(input1)
output2 = lf.forward_once(input2)
return output1, output2
在这个结构中，实际上就只有⼀个⽹络。因为孪⽣⽹络中两个⽹络的权重是相同的，所以我们使⽤⼀个模型并连续输⼊两张图像，并使⽤两个图像来计算损失值，然后反向传播，更新参数。
在使⽤pairwi_distance计算完两张图⽚的欧式距离后，使⽤对⽐损失作为⽬标损失函数
class Module):
def __init__(lf, margin=2.0):
super(ContrastiveLoss, lf).__init__()
lf.margin = margin
沥青灌缝def forward(lf, output1, output2, label):
euclidean_distance = F.pairwi_distance(output1, output2)
loss_contrastive = an((1-label) * torch.pow(euclidean_distance, 2) +
(label) * torch.pow(torch.clamp(lf.margin - euclidean_distance, min=0.0), 2))
return loss_contrastive
代码中对⽐损失⽤数学公式表⽰为
其中的DW是两张图⽚的欧式距离。观察上述的contrastive loss表达式可以发现，这种损失函数可以很好的表达成对样本的匹配程度。当
y=0（即样本相似）时，损失函数只剩下，此项越⼩越好。即原本相似的样本，如果在特征空间的欧式距离较⼤，则说明当
前的模型不好。当y=1（即样本不相似）时，损失函数剩下，此项越⼩越好，也就是说m-Dw越⼩越好，Dw越⼤越好。即当样本不相似时，两张图⽚在特征空间的的欧⽒距离反⽽⼩的话，则要加⼤损失。
数据加载
class SiameNetworkDatat(Datat):
def __init__(lf,imageFolderDatat,transform=None,should_invert=True):
lf.imageFolderDatat = imageFolderDatat
lf.should_invert = should_invert
臂字组词
def __getitem__(lf,index):
img0_tuple = random.choice(lf.imageFolderDatat.imgs)
#we need to make sure approx 50% of images are in the same class
should_get_same_class = random.randint(0,1)
if should_get_same_class:马犬的训练方法
while True:
#keep looping till the same class image is found
img1_tuple = random.choice(lf.imageFolderDatat.imgs)
if img0_tuple[1]==img1_tuple[1]:
break
el:
while True:
#keep looping till a different class image is found
img1_tuple = random.choice(lf.imageFolderDatat.imgs)
if img0_tuple[1] !=img1_tuple[1]:
break
img0 = Image.open(img0_tuple[0])
img1 = Image.open(img1_tuple[0])
img0 = vert("L")
img1 = vert("L")
if lf.should_invert:
img0 = PIL.ImageOps.invert(img0)
img1 = PIL.ImageOps.invert(img1)
ansform is not None:
什么时候中考img0 = lf.transform(img0)
给儿子的新年祝福语
img1 = lf.transform(img1)
return img0, img1 , torch.from_numpy(np.array([int(img1_tuple[1]!=img0_tuple[1])],dtype=np.float32))
def __len__(lf):
return len(lf.imageFolderDatat.imgs)
⽹络架构需要输⼊⼀对图⽚以及标签（相似/不相似）。该实例创建了⾃定义的数据加载器来达到这个⽬的。在SiameNetworkDatat 这个类中⽣成⼀对图像和相似度标签。如果图像来⾃同⼀个类，标签为0，否则为1.
⽹络训练过程
1.向⽹络传送第⼀张图⽚
2.向⽹络传送第⼆张图⽚
3.利⽤1.2中的输出特征值计算损失
4.反向传播计算梯度
5.使⽤Adam优化器来更新权重
net = SiameNetwork()
criterion = ContrastiveLoss()
optimizer = torch.optim.Adam(net.parameters(),0.001,betas=(0.9, 0.99))
counter = []
loss_history = []
iteration_number= 0
for epoch in range(ain_number_epochs):
for i, data in enumerate(train_dataloader,0):
img0, img1 , label = data
#img0, img1 , label = img0.cpu, img1.cpu, label.cpu
<_grad()
output1,output2 = net(img0,img1)
loss_contrastive = criterion(output1,output2,label)
loss_contrastive.backward()
optimizer.step()
if i %10 == 0 :
print("Epoch number {}\n Current loss {}\n".format(epoch,loss_contrastive.item())) iteration_number +=10
counter.append(iteration_number)
loss_history.append(loss_contrastive.item())
show_plot(counter,loss_history)
torch.save(net.state_dict(),'net_params.pkl')
最后⽤测试集判断相似度
道路交通安全标志
以上就是本⼈对这个项⽬的理解，希望对你有帮助，如有不对，恳请指出。
