Image processing 当有许多类时如何使用神经网络

我们正在使用facenet，并为面生成了嵌入（128个特征）。我们有来自MSCeleb的10万个班级（名人）和800万个样本

如何构建一个能够将128个特征映射到100k类的神经网络

---

使用完全连接的层将导致（128+1）*100k=1290万个参数，这些参数似乎太大而无法训练

摘自FaceNet摘要：

在本文中，我们提出了一个名为FaceNet的系统，它直接 学习从人脸图像到紧凑欧几里德空间的映射，其中 距离直接对应于面部相似性的度量。一旦 这个空间已经产生了，比如人脸识别， 验证和集群可以很容易地使用标准 将FaceNet嵌入作为特征向量的技术

---

代替训练分类器，考虑在特征空间中进行最近邻搜索。您可以为每一位10万名人选择锚定图像，然后根据他们的特征向量构建一个锚定图像。然后，对于每个输入，您可以在k-d树中找到其最近的邻居。

问题是您有多少个样本，而不是有多少个特征，您不是将特征分配给类，而是将样本分配给类。事实上，您有128个特性是完全正确的，您只需要为每个类提供足够的示例，就可以开始基于features@Flika205800万个样本。我认为我们有足够的数据。然而，用800万个样本乘以1290万个参数听起来像是多年的训练。你说得有道理，训练这个神经网络模型确实需要很长时间。我推荐的方法是尝试看看机器学习算法，比如Random Forest（而不是深度学习算法），它不需要太多的时间。不过，这只是一个想法，可能不适合你的问题，但我相信值得一试