128维特征的提取流程
1.主干特征提取网络提取特征层
2.全局平均池化铺平
3.全连接输出128维特征向量
4.此时128维特征向量就是输入图片的特征表示
L2正则化
L2:向量各元素平方和再求平方根 作用： 平滑特征
x= Lambda(lambda x: K.l2_normalize(x, axis=-1))(x)
L1:向量中各个元素绝对值之和 作用：稀疏和特征选择
L0:向量中非零元素个数
损失函数
Triplet Loss：
1.目的：不同人脸特征向量欧氏距离的扩张，相同人脸特征向量欧式距离缩小
2.输入：
a->author：基准图像的128维特征向量
p->positive：与基准图像属于同一人的128维特征向量
n->negative: 与基准图像不属于同一个人的128维特征向量
3.公式：
L = max(d(a-p)-d(a-n)+margin,0)
4.要求：
author和positive的欧式距离尽可能小
author和negative的欧式距离尽可能大
Cross Entropy Loss
用于人脸分类，辅助Triplet Loss收敛【训练时需要，预测时不需要】
