matlab里BP网络，为什么我这样多组的输入输出训练样本训练时出错？报错是说Ttrain应该只有一行

如果你的每个样本输入是二维向量[x1 x2]，输出是一维向量，总共有7组样本，那么输入矩阵应该这么给：

input=[x11 x12x21 x22x31 x32x41 x42等等]，xij代表第i个样本第j维输入

不太懂你14*10矩阵中的10是代表什么？你不是只有7组样本，每组样本只有两个输入么？

楼主解决没？这是我知道的

[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t)%归一化数据，方便后面的预测

net.trainParam. show = 100 %这里的show是显示步数，每100步显示一次

net.trainParam.goal=0.0001%目标误差，训练得到的数据和原始输入

net.trainParam.lr = 0.01 %lr是学习动量，一般越小越好

y1=sim(net,pn) %sim用来预测的

xlswrite('testdata6',tnew1) ？这里的testdata6是excel表格的名称

你可以看看书的，书上都有介绍

第一步：准备facenet程序：

一、下载FaceNet源码。

下载地址：facenet源码

二、精简代码。

作者在代码里实现了很多功能，但是对于初学者来说，很多代码是没有必要的，反倒找不到学习这个程序的入口。建议先精简一下代码，便于读懂代码：新建一个文件夹，取名：facenet，把源码中的src文件夹直接拷贝过来。

注：便于大家能够看懂代码，以上两步我已经完成，同时，自己运行程序之后，还对里边的代码做了详细的注释，如果想先了解facenet的源码，强烈建议下载这个，下载地址：facenet精简版

第二步：下载预训练模型。

facenet提供了两个预训练模型，分别是基于CASIA-WebFace和MS-Celeb-1M人脸库训练的，不过需要去谷歌网盘下载，这里给其中一个模型的百度网盘的链接：链接: 预训练模型百度网盘地址 密码: 12mh

下载完成后，把预训练模型的文件夹拷贝在刚才的文件夹里。用pycharm打开这个工程文件

第三步：运行人脸比对程序（compare.py）。

facenet可以直接比对两个人脸经过它的网络映射之后的欧氏距离。

-1、在compare.py所在目录下放入要比对的文件1.png和2.png。

-2、运行compare.py文件，但是会报错

这是因为这个程序需要输入参数，在上方的工具栏里选择Run>EditConfigurations ,在Parameters中配置参数：20170512-110547 1.png 2.png。再次运行程序

可以看到，程序会算出这两个图片的差值矩阵

第四步：图片预处理——运行人脸对齐程序（align\align_dataset_mtcnn.py）。

我们可以下载LFW数据集用来测试这个程序，也为后边的训练函数做好数据准备。

下载链接：http://vis-www.cs.umass.edu/lfw/。下载后解压在data文件夹中。

因为程序中神经网络使用的是谷歌的“inception resnet v1”网络模型，这个模型的输入时160*160的图像，而我们下载的LFW数据集是250*250限像素的图像，所以需要进行图片的预处理。

在运行时需要输入的参数：

input_dir:输入图像的文件夹（E:\facenet\data\lfw E:\facenet\data\lfw）

output_dir:输出图像的文件夹（E:\facenet\data\lfw E:\facenet\data\lfw_160）

指定裁剪后图片的大小：--image_size 160 --margin 32 --random_order（如果不指定，默认的裁剪结果是182*182像素的）

比如我的是：E:\facenet\data\lfw E:\facenet\data\lfw_160 --image_size 160 --margin 32 --random_order

如果在pycharm中运行，按照同样的方法配置以上参数

第五步：运行训练程序：（train_tripletloss.py）。

前边已经下载并处理好了LFW的数据集，现在，可以进行训练了。

运行之前，要在train_tripletloss.py中把加载数据的路径改成自己的数据集所在路径

注：train_tripletloss.py和train_softmax.py的区别：这是作者对论文做出的一个延伸，除了使用facenet里提到的train_tripletloss三元组损失函数来训练，还实现了用softmax的训练方法来训练。当然，在样本量很小的情况下，用softmax训练会更容易收敛。但是，当训练集中包含大量的不同个体(超过10万)时，最后一层的softmax输出数量就会变得非常大，但是使用train_tripletloss的训练仍然可以正常工作。

---