关于代码中的一些问题

[misszhucanjie]

尊敬的作者： 您好。 关于书中的代码，我有一些疑问，想问下您，其中包括代码运行中的错误，以及关于人脸识别中技术的使用。

1. 我在运行代码时候使用的版本为TensorFlow2.3，运行之后报没有梯度的关系，我暂时猜测是因为输入的数据与之后损失函数之间没有关系。报错如下： ValueError: No gradients provided for any variable: ['conv1/kernel:0', 'conv1/bias:0', 'batch_normalization/gamma:0',（未复制完全，每一层网络都没有梯度） Traceback (most recent call last): File "E:/code_myself/learning_information/1advance_sample/oppo_adv/pytorch_learning/face_net/SmooFaceEngine-master/train.py", line 64, in validation_steps=int((validation_set_size) / batch_size)
2. 这一点是关于使用的模型，在看您代码中使用的是resnet网络进行分类，但是现在人脸识别，我看的论文主要使用的是特征提取，像您书中提到的goolenet，他们都是通过一个神经网络，facenet网络，将输入的照片提取出一个1*512的特征向量，通过特征向量之间的余弦相似度，判断是否为一个人，如果使用这种网络，他在训练过程中是否跟您rstnet网络一样，使用amsoftmax_loss损失函数呢？

[wotchin]

你好。

1. 关于第一个问题，我在本地代码中没有复现。由于没有测试过tensorflow2.3, 因此猜测可能是keras 与 tf的版本适配问题。不知道使用的是哪个分支。如果是master 分支，则可尝试使用 tensorflow2.0.0+ 分支；如还不能解决，可以尝试改用推荐版本；
2. ResNet在训练时，改用AM损失函数，与使用预先相似度并不冲突。也就是说，如果我们最后想要用余弦相似度来衡量人脸之间的“距离”，改用这种损失函数会优于默认的softmax损失函数。类似的还有SphereFace网络，也都是类似的原理。

[wotchin]

btw, goolenet 等网络也都可以跟resnet一样，改用AM损失函数，网络结构的不同和损失函数的不同一般不冲突，是可解耦的。