1.facenet github地址：https://github.com/davidsandberg/facenet，下载该project。
git clone https://github.com/davidsandberg/facenet
2.下载CASIA-WebFace数据集，官方下载地址 http://www.cbsr.ia.ac.cn/english/CASIA-WebFace-Database.html，如果不方便可以去我的微云下载 https://share.weiyun.com/5pSMgRO-g
下载完成后可以得到一个大约4.1G的 CASIA-WebFace.zip文件，在facenet/src文件夹下新建一个data文件夹，解压到data文件夹下得到CASIA-WebFace文件夹，里面有很多文件夹：
每一个代表一个人，文件夹中对应这个人的所有人脸图片，使用MTCNN对原始图像进行人脸检测和对齐，进入facenet文件夹下，执行
python src/align/align_dataset_mtcnn.py ./src/data/CASIA-WebFace/ ./src/data/CASIA_Web_Face_mtcnnpy_182/ --image_size 182 --margin 44
执行一段时间，可以得到data文件夹下CASIA_Web_Face_mtcnnpy_182文件夹下面按相同格式保存着对齐的人脸图像。所有图像都是182*182像素，后面我们会在训练时进行随机裁剪成160*160，起到数据增强的作用。同样，将LFW数据库进行对齐，在data文件夹下生成160*160像素人脸库lfw_mtcnnpy_160，因为后续训练中使用lfw做evaluate，所以必须放在指定文件夹，与后于输入参数相对应，这里我们把它放在./data/lfw_mtcnnpy_160/文件夹下面。
使用train_sotfmax训练人脸识别模型，其执行脚本代码如下：
python train_softmax.py \
--logs_base_dir ./logs/facenet/ \ #把训练日志保存到./logs/facenet/，运行时，会在./logs/facenet/文件夹下新建一个以当前时间命名的目录。
--models_base_dir ./models/facenet/ \ #运行时同样新建一个以当前时间命名的目录，保存训练好的模型。
--data_dir ./data/CASIA_Web_Face_mtcnnpy_182 \ #训练数据的位置。
--image_size 160 \#输入网络的图片尺寸是160*160像素。
--model_def models.inception_resnet_v1 \ #比较关键的参数，指定训练的CNN结构为inception_resnet_v1，项目支持的所有CNN结构在src/models目录下。
--lfw_dir ./data/lfw_mtcnnpy_160 \ #指定LFW数据集的位置。
--optimizer ADAM \#指定使用的优化的方法。
--learning_rate -1 \#学习率，这里指定为负数，将被忽略，后面的learning_rate_schedule_classifier_casia.txt参数规划学习率。
--max_nrof_epochs 80 \ #最多跑180个epoch
--keep_probability 0.8 \ #dropout被保持的概率。
--random_crop \ #数据增强时会进行随机裁剪。
--random_flip \ #数据增强时会进行随机翻转。
--learning_rate_schedule_file data/learning_rate_schedule_classifier_casia.txt \
#该文件内容如下：
# Learning rate schedule
#Maps an epcoh number to a learning rate
#0:0.1
#65:0.01
#77:0.001
#1000:0.0001
--weight_decay 5e-5 \#所有变量的正则化系数。
--center_loss_factor 1e-2 \ #中心损失和softmax损失的平衡参数。
--center_loss_alfa 0.9 \#中心损失的内部参数windows下在facenet/src文件夹下创建train.bat脚本，这里需要区别一下，windows脚本的换行要使用符号^,脚本内容如下：
python train_softmax.py ^
--logs_base_dir ./logs/facenet/ ^
--models_base_dir ./models/facenet/ ^
--data_dir ./data/CASIA_Web_Face_mtcnnpy_182 ^
--image_size 160 ^
--model_def models.inception_resnet_v1 ^
--lfw_dir ./data/lfw_mtcnnpy_160/ ^
--optimizer ADAM ^
--learning_rate -1 ^
--max_nrof_epochs 80 ^
--keep_probability 0.8 ^
--random_crop ^
--random_flip ^
--learning_rate_schedule_file data/learning_rate_schedule_classifier_casia.txt ^
--weight_decay 5e-5 ^
--center_loss_factor 1e-2 ^
--center_loss_alfa 0.9通过anaconda进入facenet/src文件夹，直接执行脚本 train.bat开始训练，屏幕会打印类似如下的消息：
Epoch[0][1/1000]表示第0个Epoch以及当前Epoch第几个训练batch，我使用的是RTX2080的显卡，大概30分钟能够训练一个epoch。
通过windows指令cmd,进入facenet/src文件夹，输入
tensorboard --logdir ./logs/facenet/20200412-014210/
其中最后一个20200412-014210文件夹是训练开始后根据日期新建的。
浏览器打开http://localhost:6006/，可以监控训练的情况：
大概花费15个小时完成了80epoch的训练。下一篇我们将对源代码进行解析。