空间，同时也能保存输出空间的拓扑性质（即在原始空间中相近的输出在输入空间中也相近）。留意，这两种晚期办法都不是以端到端的方式训练的，而且提出的神经网络架构也都很浅。有论文提出了一种端到端的人脸辨认 CNN。这种办法运用了一种孪生式架构，并应用一个比照损失函数来停止训练。这个比照损失运用了一种度量学习流程，其目的是最小化对应同一主体的特征向量对之间的间隔，同时最大化对应不同主体的特征向量对之间的间隔。该办法中运用的 CNN 架构也很浅，且训练数据集也较小。下面提到的办法都未能获得打破性的效果，次要缘由是网络的设计有所完善，且训练时能用的数据集也绝对较小。直到这些深度学习模型失掉开展并运用少量数据训练后，用于人脸辨认的首个深度学习办法才到达了可用且优秀的程度。尤其值得一提的是 Facebook 的 DeepFace，这是最早的基于 CNN 的人脸辨认模型。该模型在 LFW 基准上完成了 97.35% 的精确度，相比之前很好的错误率降低了 27%。研讨者运用 softmax 和一个包括 440 万张人脸（来自 4030 个主体）的数据集训练了一个 CNN模型。该项目有两个打破性的奉献：（1）一个基于明白的 3D 人脸建模的高效人脸对齐零碎；（2）一个包括部分衔接层的 CNN 架构，这些层不同于惯例的卷积层，可以从图像中的每个区域学到不同的特征。关于基于 CNN 的人脸辨认办法，影响精确度的要素次要有三个：训练数据、CNN 网络构造和损失函数。普通而言，爲分类义务训练的 CNN 的精确度会随每类的样本数量的增长而提升。这是由于当类内差别更多时，CNN 模型可以学习到更多的特征，从而泛化到训练集中不曾呈现过的主体。有论文研讨了数据集中主体的数量对人脸辨认精确度的影响。终究是更宽的数据集更好，还是更深的数据集更好（假如一个数据集包括更多主体，则以为它更宽；相似地，假如每个主体包括的图像更多，则以为它更深）？这项研讨总结到：假如图像数量相等，则更宽的数据集能失掉更好的精确度。研讨者以为这是由于更宽的数据集包括更多类间差别，因此能更好地泛化到不曾见过的主体上。表 1 展现了