深度学习如何用于机器学习中的面部识别？
人脸识别是根据人脸识别和验证照片中出现的人的任务。这对人类来说是一项微不足道的任务，即使光线变化或面部因年龄而变化或被配饰、面部毛发等遮挡。
但直到几年前，它仍然是一个相当具有挑战性的计算机视觉问题。深度学习方法已经能够利用大型人脸数据集并学习人脸的各种表示，从而使现代学习模型表现得更好更好。
面部识别可用于识别照片或视频流中的人。
面部识别通常涉及4个步骤-
人脸检测
面部对齐
特征提取
人脸识别。
人脸检测
它是指定位图像中存在的一个或多个人脸。定位图像后，将用边界框标记它们，以便系统轻松识别这些人脸。
面部对齐
人脸被标准化，使其与数据库中的数据一致，例如几何和光度学。
特征提取
此步骤有助于从面部提取可用于面部识别任务的特征。
人脸识别
最后一步，其中对预先准备好的数据库中的一张或多张已知人脸进行人脸匹配。
注意-上面提到的四个步骤都可以在一个模块中完成，或者这些任务中的每一个都可以分成不同的模块，并且可以逐步使用它们。
人脸识别问题可以被认为是一个有监督的预测建模任务，可以在包含输入和输出的样本上进行训练。
这里，输入是一张至少包含一张脸的照片，输出是一张最有可能被检测到的脸。
此任务的输出取决于任务所需的预测类型-
如果是人脸验证任务，可以是二元类标签或二元类概率。
如果它是一个相似性类型的任务，它可以是一个相似性度量。
如果是人脸识别任务，它可以是一个分类类别标签或一组概率。