模型加入先验知识的必要性

端到端的深度神经网络是个黑盒子，虽然能够自动学习到一些可区分度好的特征，但是往往会拟合到一些非重要特征，导致模型会局部坍塌到一些不好的特征上面。常常一些人们想让模型去学习的特征模型反而没有学习到。为了解决这个问题，给模型加入人为设计的先验信息会让模型学习到一些关键的特征。下面就从几个方面来谈谈如何给模型加入先验信息。

开始

今天给大家推荐一个效果很好速度又快(逃))的人脸质量评价库，这个人脸质量评价库是我自己训的，为了方便表示，我给它起个名字，就BFQ(很像BBQ).

其实网上有很多开源的人脸质量算法，其中的很多甚至开源了模型出来，这给需要用人脸质量评价算法来过滤人脸的人们提供了很好的工具，但是很多脸质量算法的效果并不好，或是不能满足自己的需要，或是只能满足一部分的需求，所以我们往往需要多个质量算法库联合去判断一个人脸的质量。

前言

故事(事故)起源于我老大最近跟我说的一个脑洞，他说他最近看了Advhat 的相关介绍，说能不能在活体识别上面尝试一下Advhat, 仿照Advhat做一个特殊贴纸，贴到一张假脸的某个部位，然后就用这样的一张贴了特殊纸张的假脸攻破活体识别系统．

我当时觉得应该不太可能，毕竟活体任务和人脸识别任务不同，活体识别任务学的就是真人和非真人介质的不同，无论生成什么样的纸张，毕竟逃离不了纸张透过摄像头的后的独特介质信息，况且即使生成了特殊的贴纸，然后再打印出来，然后再通过摄像头去识别，这样这张生成的’数字’贴纸就经过了两次失真，应该是没啥效果的．

我就把我的观点和老大一说，老大说还是让我尝试一下．于是我就做个实验验证一下，没想到我被实验结果深深的打脸．．．

开始

最近想尝试一下用Transformer做图片分类的效果，于是就在网上找找有没有比较好的例子．发现keras官方有个例子，于是就clone下来看看．本以为multi-head-attention这个模块需要自己来实现，竟然发现tf.keras中已经实现了multi-head-attention的接口，发现是真的方便（tensorflow的最新版本tf2.4才有的一个接口）．

Blinking DEMO

The blue digits on the right top of the video is the time of blinks since detection started.

For more details, you can check this page.

开始

今天我们学一下ncnn怎么进行网络前向的，学习了之后，会发现ncnn的网络前向流程的设计是多么的优雅，废话不多说，先插一个小红旗压压惊：

开始

由于马上学习网络forward的部分，这一节先学习一下ncnn如何读取外部图片的．

我们再插一个小红旗：

开始

今天我们要学些ncnn怎么load权重信息，咱们再插一个小红旗：

开始

这一节我们终于要学习Mat类．大家可以看到，这个类的名字”Mat”其实和Opencv中常用的Mat类是一样的名字，但二者不是同一个东西，一个是ncnn的Mat类，一个是Opencv的Mat类，大家要注意．好，废话不多说，我们再插上一个小红旗（压压惊）：

开始

由于在下一节我们要学习最重要的Mat类的实现，所以我们这节要为下节做一下准备．我们这一节学习实现Mat类的一个关键，那就是内存分配方面的实现：allocator．

我们再插一个小红旗（压压惊）：