该代码可以在Pycharm、Jupyter、Python等Python编译器中运行，本文我使用的是Pycharm。
一、安装
（一）安装pytorch（cpu）
首先在Pycharm中新建一个名为facenet_test的项目，并创建一个名为fp.py的Python文件。
打开PyTorch官网Start Locally | PyTorch，在主页中根据自己的电脑选择Linux、Mac或Windows，其余如下图所示，系统将给出对应的安装语句，如我这里为“pip3 install torch torchvision torchaudio”。
由于不加镜像下载速度比较慢，所以我们加上清华镜像。在pycharm的terminal终端中输入以下命令：
pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple稍等片刻后，系统显示“successfully installed……”。之后在终端中输入以下命令，来测试是否安装成功。
python # 进入Python环境
import torch # 导入torch模块,若没有报错说明安装成功
torch.__version__ # 查看版本号效果如下所示，说明安装成功了。
（二）安装facenet_pytorch库
在终端中键入如下命令：（在此之前先按Ctrl+Z并回车退出Python环境）
pip install facenet_pytorch
安装好之后到“C:\Users\用户名\”路径下查看是否有“.cache”文件夹。如果没有，可以在终端的python环境下，运行以下两句命令：
import torchvision.models as models
alexnet=models.alexnet(pretrained=True)安装好之后重新查看“C:\Users\用户名\”路径，发现已经有了“.cache”文件夹。接着我们需要到如下网盘链接中下载InceptionResnetV1预训练模型，并将压缩包解压放置在“C:\Users\用户名\.cache\torch\hub\checkpoints”或“C:\Users\用户名\.cache\torch\checkpoints”路径下。如图所示。
链接：https://pan.baidu.com/s/1UrnggoOLL8lv2Nj4odBfWw?pwd=w6x8
提取码：w6x8
二、代码实现
首先选择两张图片作为待识别的图片，并将它们与fp.py放置在同一目录中。在这里我选择以下两张图片，分别命名为“zj.jpg”和“zj2.jpg”。
接着在fp.py中输入以下代码：
import cv2
import torch
from facenet_pytorch import MTCNN, InceptionResnetV1# 获得人脸特征向量
def load_known_faces(dstImgPath, mtcnn, resnet):aligned = []knownImg = cv2.imread(dstImgPath) # 读取图片face = mtcnn(knownImg) # 使用mtcnn检测人脸，返回【人脸数组】if face is not None:aligned.append(face[0])aligned = torch.stack(aligned).to(device)with torch.no_grad():known_faces_emb = resnet(aligned).detach().cpu() # 使用resnet模型获取人脸对应的特征向量print("\n人脸对应的特征向量为：\n", known_faces_emb)return known_faces_emb, knownImg# 计算人脸特征向量间的欧氏距离，设置阈值，判断是否为同一个人脸
def match_faces(faces_emb, known_faces_emb, threshold):isExistDst = Falsedistance = (known_faces_emb[0] - faces_emb[0]).norm().item()print("\n两张人脸的欧式距离为：%.2f" % distance)if(distance < threshold):isExistDst = Truereturn isExistDstif __name__ == '__main__':# help(MTCNN)# help(InceptionResnetV1)# 获取设备device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')print(device)# mtcnn模型加载【设置网络参数，进行人脸检测】mtcnn = MTCNN(min_face_size=12, thresholds=[0.2, 0.2, 0.3], keep_all=True, device=device)# InceptionResnetV1模型加载【用于获取人脸特征向量】resnet = InceptionResnetV1(pretrained='vggface2').eval().to(device)MatchThreshold = 0.8 # 人脸特征向量匹配阈值设置known_faces_emb, _ = load_known_faces('zj.jpg', mtcnn, resnet) # 已知人物图# bFaceThin.png lyf2.jpgfaces_emb, img = load_known_faces('zj2.jpg', mtcnn, resnet) # 待检测人物图isExistDst = match_faces(faces_emb, known_faces_emb, MatchThreshold) # 人脸匹配print("设置的人脸特征向量匹配阈值为：", MatchThreshold)if isExistDst:boxes, prob, landmarks = mtcnn.detect(img, landmarks=True) # 返回人脸框，概率，5个人脸关键点print('由于欧氏距离小于匹配阈值，故匹配')else:print('由于欧氏距离大于匹配阈值，故不匹配')
第一次运行时系统需要下载预训练的vggface模型，时间会比较久，耐心等待下载好之后程序便可以运行。
程序的输出结果包括运行设备、两张图片中人脸对应的特征向量、两张人脸的欧式距离、设置的人脸特征向量匹配阈值和两张人脸是否匹配。
部分运行结果如下所示：
根据运行结果，两张图片中人脸的欧氏距离小于设定的匹配阈值，故匹配，也就是说两张人脸是同一个人。下面，我们尝试将zj2.jpg替换为周杰伦的照片zjl.jpg，来看看会有什么结果。
结果显示，两张图片中人脸的欧氏距离大于设定的匹配阈值，故不匹配，也就是说两张人脸不是同一个人。
这样的话，我们的代码就能实现简单的人脸识别啦。
