在所有的数据都处理完了之后，接下来就可以进行模型的训练了。
在Github上FaceNet项目的介绍中有softmax和论文中提到的三元损失训练triplet两种方式，这边简单的介绍下softmax的训练方法。
FaceNet已经将所有的方法都已经封装好，训练程序在src目录下的train_softmax.py文件中，在训练之前，我们首先要简单的修改下这份文件，让它适用于当前版本。
- 找到260行，搜索iteritems也可以
for key, value in stat.iteritems():将iteritems修改为items，在python3中，dict已经没有iteritems方法了
- 找到308行，将
if lr<=0:修改为
if lr is None or lr <= 0:亲测在最后一轮训练的时候，学习率本来应该是变成-1，然后结束，但是出现了lr变成None的情况
- 这一点仅供GPU玩家修改，使用CPU的话就不用修改了，跳过这一点直接训练就好了，找到191行，将
sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options, log_device_placement=False))替换成
config = tf.ConfigProto(gpu_options=gpu_options, log_device_placement=False, allow_soft_placement=True)
config.gpu_options.allow_growth = True
sess = tf.Session(config=config)模型训练
这里在CPU：i7-6700H，显卡：GTX965M，CUDA：9.0，cuDNN：7.0.5的辣鸡笔记本中，采用WebFace数据集进行训练测试
输入运行参数
python src/train_softmax.py --logs_base_dir logs/facenet/ --models_base_dir models/facenet/ --data_dir datasets/CASIA-WebFace_train_182/ --image_size 160 --model_def models.inception_resnet_v1 --lfw_dir datasets/lfw_160/ --optimizer ADAM --learning_rate -1 --max_nrof_epochs 150 --keep_probability 0.8 --random_crop --random_flip --use_fixed_image_standardization --learning_rate_schedule_file data/learning_rate_schedule_classifier_casia.txt --weight_decay 5e-4 --embedding_size 512 --lfw_distance_metric 1 --lfw_use_flipped_images --lfw_subtract_mean --validation_set_split_ratio 0.05 --validate_every_n_epochs 5 --prelogits_norm_loss_factor 5e-4简单说下上述的参数，当然还有非常多其它未加入的，需要的可以自己去研究源码
非常的直观，其中
--logs_base_dir：是存放训练过程的目录
--models_base_dir：是存放训练结果模型的目录
--data_dir：是训练数据集的目录，可以根据需要自己更改
--model_def：是训练的神经网络方法，这里采用resnet
--lfw_dir：存放lfw数据集的位置，作用是在训练过程中对模型进行测试，可以不加，但是推荐！！！
--learning_rate：学习率的设置，学习率在训练过程中是非常重要的，设置的太大模型难以收敛，设置的太小模型容易过拟合，所有在训练过程中基本上会选择动态学习率的设置，就是下面要讲到的参数
--learning_rate_schedule_file：学习率时间计划表，我们来打开其中一个文件进行分析
这个是vggface2的训练示例，在epoch0-99轮的时候学习率设置为0.05，100-199轮设置为0.005，200到275轮设置为0.0005，通过这个方法决定模型训练的轮数和相应的学习率变化，可以手动进行修改自定义
在讲完了参数之后，我们开始进行训练，使用GPU进行训练的童鞋有可能遇到一个问题，如下
如果是类似的错误的话，恭喜你，你的显卡和我的一样辣鸡...
FaceNet项目默认一次喂入计算图90张照片，如果显卡的显存不够的话，就会报出OOM的错误，这个时候只需要减少一次的喂入量就行了，添加参数
--batch_size 50
训练一步0.8s，还算可以接受的时间，虽然我觉得喂入数量太少对模型并不是一个很好的选择，但是在CPU下亲测训练一步需要30s+，为了狗命着想，只能忍忍了
接着就是最关键的一点，动态显示训练过程
既然我们放入lfw数据集，那当然需要最大限度利用起来才行，打开一个新的终端，输入命令，定位到logs目录下
tensorboard --logdir=logs/facenet --port 6006
打开网页
楼主训练了30个小时，最后模型正确率在98.8%左右，很可惜没有达到99%，也许加大batch的数量和增加训练轮数就可以了，不过就结果来说还是很不错的，毕竟训练成功了
同样，如果想要尝试大量数据的训练，完全okk，因为项目会自动保存最新的模型，假使一不小心训练中断了，同样可以加载之前训练的结果继续训练，在源码的参数中有说明
