胶子fr工具包
gluonfr的Python项目详细描述
#Gluon Fr工具包是一个基于MXnet Gluon的工具包，提供了人脸识别中的SOTA深度学习算法和模型。除了帮助研究者和开发者们迅速上手目前最前沿的人脸识别算法,
也希望能够让更多的人了解Gluon这一好用的工具, 使用MXnet-Gluon进行深度学习算法的研究.
## Installation
GluonFR supports Python 3.5 or later.
要安装此软件包，您需要先安装GluOnTV和MXNet：
`` shell
pip install GluOnTV--pre
pip install MXNet MKL--pre--upgrade
如果安装了CUDA xx
pip install MXNet CuxxMKL--pre--upgrade
```
然后安装GluOnFr：
socure
`` shell
git clone https://github.com/thufuturelab/gluon face
cd gluon face/
python3 setup.py install
`````
-pip
`` shell
`` pip install gluonfr
``````
gluonfr简介：
gluonfr基于mxnet gluon，如果您是新手，请查看[DMLC 60分钟速成课程]（http://gluon crash course.mxnet.io/）。
Gluonfr目《数据/英伟达·达利，CPU CPU，数据/英伟达·达利，数据/英伟达·达利。br/>
此部分提供用于培训和验证的输入管道，
所有数据集由MTCNN对齐并裁剪为（112，112）deepinsight，
他们将图像转换为"train.rec"、"train.idx"和"val廑u data.bin"文件，有关详细信息，请查看
[[insightface/dataset zoo]]（https://github.com/deepinsight/insightface/wiki/dataset-zoo）。
在"data/dali_utils.py"中，有一个简单的nvidia dali示例。当用cpu进行数据扩充不能满足gpu训练的速度时，值得一试。
文件的准备方式应为：
```
face/
emore/
train.rec
train.idx
property
ms1m/
train.rec
train.idx
property
lfw.bin
agedb_.bin
…
我们使用`~/.mxnet/datasets`作为默认的数据根来匹配mxnet设置。
\35 35
环损耗、共损耗、l2softmax、asoftmax、中心损耗、对比损耗……，以后我们会继续更新。如果我们忽略了任何一种方法，请打开一个[问题]（https://github.com/thfuturellab/glon-face/issues）打开一个[问题]。
数模型动物园
`examples/`演示如何使用gluonfr训练人脸识别模型，以及如何获得mnist二维特征嵌入可视化。胶接损耗
这张图表的最后一列是文中报告的最佳线性调频精度，它们是用不同的数据和网络训练的，
稍后我们将给出这些方法在相同的列车数据和网络下的结果。
《方法论》论文《mnist-lfw-lfw-lfw-lfw-lfw-mnist-lfw-lfw-lfw-lfw-lfw-lfw-lfw-lfw-lfw-lf-lf-lfw-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-对比损失（http://yann.lecun.lecun.com/exdb/publis/publis/pdf/hadesell-shadesll-chopra-https://arxiv.org/abs/1503.03832）-99.63±0.09
中心损失[中心损失]（https://ydwen.github.io/papers/weneccv16.pdf）<；img src="resources/mnist euclidean/center-train-epoch100.png"/>；| 99.28
L2 Softmax[1703.09507][1703.09507]（https://arxiv.org/abs/1703.09507）99.33
A-Softmax[1704.080663]（https://arxiv.org/abs/1704.080663）99.42；
CoLoss/AmSoftmax[1801.05599][1801.05599]（https://arxiv.org/abs/1801.1801.abs/1801.1801.1.1.09507/abs/1703.09507）[1704.080699.0805599）/[1801.05599]（https://arxiv.org/abs/1801.05599）lt；img src="resources/minst angular/cosloss-train-epoch95.png"/>；99.17
arcloss[1801.07698]（https://arxiv.org/abs/1801.0769）8）<；img src="resources/minst-ang角度/arcross-train-epoch100.png/gt；99.82；
；[1803.00130]（https://arxiv.org/abs/1803.00130）；；<；img src="resources/mnistist-eucliden/ring loss-train-epoch95-0.1.png/gt；99.52；
/>lgm损失；[1803.02988]（https://http://http://www.1803.02988.028/https://www.028/1803.02988.028；
范围丢失…
-尝试GluOncv resnetv1b/c/d/以提高性能
-创建托管文档
-测试模块
-[x]PYPI包
在这里使用英语：d.
MXNET文档和教程[https://zh.diveintodeeplearning.org/]（https://zh.diveintodeeplearning.org/）
1.nvidia dali文档[nvidia dali文档]（https://docs.nvidia.com/deeplearning/sdk/dali developer guide/docs/index.html）
1.deepinsight[insightface]（https://github.com/deepinsight/insightface）
也希望能够让更多的人了解Gluon这一好用的工具, 使用MXnet-Gluon进行深度学习算法的研究.
## Installation
GluonFR supports Python 3.5 or later.
要安装此软件包，您需要先安装GluOnTV和MXNet：
`` shell
pip install GluOnTV--pre
pip install MXNet MKL--pre--upgrade
如果安装了CUDA xx
pip install MXNet CuxxMKL--pre--upgrade
```
然后安装GluOnFr：
socure
`` shell
git clone https://github.com/thufuturelab/gluon face
cd gluon face/
python3 setup.py install
`````
-pip
`` shell
`` pip install gluonfr
``````
gluonfr简介：
gluonfr基于mxnet gluon，如果您是新手，请查看[DMLC 60分钟速成课程]（http://gluon crash course.mxnet.io/）。
Gluonfr目《数据/英伟达·达利，CPU CPU，数据/英伟达·达利，数据/英伟达·达利。br/>
此部分提供用于培训和验证的输入管道，
所有数据集由MTCNN对齐并裁剪为（112，112）deepinsight，
他们将图像转换为"train.rec"、"train.idx"和"val廑u data.bin"文件，有关详细信息，请查看
[[insightface/dataset zoo]]（https://github.com/deepinsight/insightface/wiki/dataset-zoo）。
在"data/dali_utils.py"中，有一个简单的nvidia dali示例。当用cpu进行数据扩充不能满足gpu训练的速度时，值得一试。
文件的准备方式应为：
```
face/
emore/
train.rec
train.idx
property
ms1m/
train.rec
train.idx
property
lfw.bin
agedb_.bin
…
我们使用`~/.mxnet/datasets`作为默认的数据根来匹配mxnet设置。
\35 35
环损耗、共损耗、l2softmax、asoftmax、中心损耗、对比损耗……，以后我们会继续更新。如果我们忽略了任何一种方法，请打开一个[问题]（https://github.com/thfuturellab/glon-face/issues）打开一个[问题]。
数模型动物园
`examples/`演示如何使用gluonfr训练人脸识别模型，以及如何获得mnist二维特征嵌入可视化。胶接损耗
这张图表的最后一列是文中报告的最佳线性调频精度，它们是用不同的数据和网络训练的，
稍后我们将给出这些方法在相同的列车数据和网络下的结果。
《方法论》论文《mnist-lfw-lfw-lfw-lfw-lfw-mnist-lfw-lfw-lfw-lfw-lfw-lfw-lfw-lfw-lfw-lf-lf-lfw-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-lf-对比损失（http://yann.lecun.lecun.com/exdb/publis/publis/pdf/hadesell-shadesll-chopra-https://arxiv.org/abs/1503.03832）-99.63±0.09
中心损失[中心损失]（https://ydwen.github.io/papers/weneccv16.pdf）<；img src="resources/mnist euclidean/center-train-epoch100.png"/>；| 99.28
L2 Softmax[1703.09507][1703.09507]（https://arxiv.org/abs/1703.09507）99.33
A-Softmax[1704.080663]（https://arxiv.org/abs/1704.080663）99.42；
CoLoss/AmSoftmax[1801.05599][1801.05599]（https://arxiv.org/abs/1801.1801.abs/1801.1801.1.1.09507/abs/1703.09507）[1704.080699.0805599）/[1801.05599]（https://arxiv.org/abs/1801.05599）lt；img src="resources/minst angular/cosloss-train-epoch95.png"/>；99.17
arcloss[1801.07698]（https://arxiv.org/abs/1801.0769）8）<；img src="resources/minst-ang角度/arcross-train-epoch100.png/gt；99.82；
；[1803.00130]（https://arxiv.org/abs/1803.00130）；；<；img src="resources/mnistist-eucliden/ring loss-train-epoch95-0.1.png/gt；99.52；
/>lgm损失；[1803.02988]（https://http://http://www.1803.02988.028/https://www.028/1803.02988.028；
范围丢失…
-尝试GluOncv resnetv1b/c/d/以提高性能
-创建托管文档
-测试模块
-[x]PYPI包
在这里使用英语：d.
MXNET文档和教程[https://zh.diveintodeeplearning.org/]（https://zh.diveintodeeplearning.org/）
1.nvidia dali文档[nvidia dali文档]（https://docs.nvidia.com/deeplearning/sdk/dali developer guide/docs/index.html）
1.deepinsight[insightface]（https://github.com/deepinsight/insightface）
欢迎加入QQ群-->： 979659372
