包含tensorflow的安装以及安装使用的时候会出现什么问题。安装好之后，运行mnist，出现版本的不兼容的问题等都解决了。以及用facenet训练出来后的模型进行计算两幅图片的欧式距离，用LFW做验证等

TensorFlow MTCNN facenet 实现人脸识别，具体解释参考https://blog.csdn.net/yunge812/article/details/86211824

FaceNet和MTCNN转TFLITE和CoreML git clone https://github.com/jiangxiluning/facenet_mtcnn_to_mobile.git cd facenet_mtcnn_to_mobile pipenv install --dev # 布道 pipenv , 通过使用 pipenv 安装所有依赖包，使用其他版本的包，有可能出现各种转换问题。 pipenv shell # 孵化出运行项目的 shell 环境，以下命令需要在该环境中运行 转换FaceNet cd facenet 型号名称 LFW精度 训练数据集 建筑 0.996

MTCNN和facenet实现人脸检测和人脸识别 主要实现方式参考博客：https://blog.csdn.net/zhonglongshen/article/details/90202620

mtcnn实现人脸检测，使用的haar人脸特征分类器，FaceNet实现人脸识别； 使用PyCharm可直接打开，开箱即用 使用了FaceNet的预训练模型，因为模型资源过大，我分开上传了，可在我的个人主页找到对应预训练模型下载，放在项目中对应的mtcnn-FaceNet\models的每个目录底下即可； 人脸数据库初始化的人脸数据是我在网上找到明星照片，使用mtcnn和Haar从mtcnn-FaceNet\dataset\images文件夹中所有文件提取人脸，放在mtcnn-FaceNet\dataset\emb_face目录下，使用提取到的人脸训练自己的模型，生成mtcnn-FaceNet\dataset\emb\faceEmbedding.npy这个模型，使用FaceNet从mtcnn-FaceNet\dataset\test_images文件夹找到需要识别的人脸图片，进行识别；

facenet模型、预训练模型； github：https://github.com/davidsandberg/facenet

FaceNet其实就是一个通用人脸识别系统：采用深度卷积神经网络（CNN）学习将图像映射到欧式空间。空间距离直接和图片相似度相关：同一个人的不同图像在空间距离很小，不同人的图像在空间中有较大的距离，可以用于人脸验证、识别和聚类。在800万人，2亿多张样本集训练后，FaceNet在LFW数据集上测试的准确率达到了99.63%，在YouTube Faces DB数据集上，准确率为95.12%。

基于Tensorflow的Facenet 人脸识别实现，已训练好的模型（20170512-110547），可参考我的深度学习相关博客 https://blog.csdn.net/chzylucky/article/details/79680986

NOTE: If you use any of the models, please do not forget to give proper credit to those providing the training dataset as well.

NOTE: If you use any of the models, please do not forget to give proper credit to those providing the training dataset as well.