模型架构--3

ArcFace

在2018年发表，在SphereFace的基础上改进对特徵向量归一化和角度间隔，强化了类间的可分类性和类间差异及类内的区别。

ArcFace loss：Additive Angular Margin Loss，在特徵向量及权重做归一化，把特徵值缩在(0,1)之间的小数，更加便捷快速。在对θ加上角度间隔m，这样的作法比余旋间隔对角度的影响更为强烈直接。ArcFace是直接在角度空间θ中最大化分类。

使用上可得到的优点
训练效率较高
比较不复杂
ArcFace不需要使用其搭的Loss function来联合监督，较容易收敛於不同的训练资料集。

缺点
模型是较为庞大的架构
训练时间较久

归一化（Normalization） VS 标准化（Standardization）

归一化 将资料的资讯缩放到0和1之间。

标准化 将资料的值缩放成均值为0，方差为1的状态。

使用上述两者的优点：
如果数据预先没有经过归一化，那麽那些绝对值大的特徵在欧式距离计算的时候起了决定性作用，会严重影响训练时所学习到较多绝对值大的特徵，所以归一化是为了可以让每一个特徵对结果做出相同比重的贡献。

也可以增加模型的收敛速度。