利用神经网络学习高度抽象的人脸特征，然后将特征表示为特征向量，通过比较特征向量之间的欧式距离来判定两张照片是否是同一个人。
9人脸特征提取-深度学习法
总体思路是把人脸识别人物当分类任务来训练，通过在损失函数上施加约束，让相同的人的照片提取的特征距离尽可能近，不是同一个人的照片的提取的特征距离尽可能的远。
第一个Logit的地方输出的是人脸的特征向量，一般是128维或者512维，浮点向量。这个Logit前面是CNN分类网络，这个Logit后面的部分是通过在损失函数上施加约束来训练模型，让模型区分相同的人和不同的人，后面的部分只需要在训练阶段计算，推理阶段是不需要的。
10 人脸特征提取-Metric Learning
基于深度学习的人脸特征提取方法主要有两类，一类Metric Learning，另一个是Additive Margin，这两类方法的底层原理都是一样的，就是“通过训练网络，让相同人的特征距离尽可能近，不同人的特征距离尽可能的远”。
孪生网络和Triplet都属于 Metric Learning这类方法。左边孪生网络顾名思义，就是有两个网络，一个网络训练让相同的人之间的距离尽可能的近，另一个网络让不同人之间的距离尽可能远。
右边Triplet网络是对孪生网络的改进，将样本组织为锚点、正样本、负样本的元组，通过训练网络让锚点与正样本之间的距离尽可能的近，锚点与负样本之间的距离尽可能的远，并且至少远于一个阀值阿尔法。
11 人脸特征提取-Additive Margin
Additive Margin这类方法主要是在分类模型的基础，通过控制损失函数来达到“让相同人的特征距离尽可能近，让不同人的特征距离尽可能远”的目标。
前面介绍的Metric Learning的方法最大的问题在于：需要重新组织样本，模型最终能否收敛很大程度上取决于采样是不是合理。基于Additive Margin的方法则不需要这一步，完全将人脸特征提取当做分类任务来训练，参数的设置也不需要太多trick，Additive Margin的方法大都是在损失函数上做文章。
最近几年，这个类方法研究的比较多，上面这个图中的softmax，Sphereface，Cosface，ArcFace都是Additive Margin方法，可以看出它都是通过改进损失函数，来实现“让相同人的特征距离尽可能近，让不同人的特征距离尽可能远”这个目标。
上面这个图中，颜色相同的点表示一个人，不同的点表示不同的人，这个图的展示比较形象，可以看出最后一个超球体的效果非常不错。
Additive Margin正在成为主流， InsightFace也属于这一类，损失函数正是这个ArcFace。
大家可用思考一下，为什么分类方法不能直接用于人脸识别？这里不做详细讨论了。
12 人脸特征提取-效果评估
我们再来看一下怎样评估人脸特征提取算法的效果。
