训练深度网络模型
OpenFace还不是运用faceNet的model作为训练模型，所以在准确性上比faceNet要低，如果你只是做一个简单的分类，建议你看看官网的demo3（http://cmusatyalab.github.io/openface/demo-3-classifier/），如果你想自己训练一个模型，建议提供一个大于500k的图片集作为训练集。（这里的500k应该是50w张图片来理解更合适）
Openface暂时还没提供该faceNet模型的支持。
注意：在K40Gpu的机器上训练数据估计要耗费很多的内存还有一整天的时间，所以务必准备相应的硬件支持。
1）创建原生图片目录data/mydataset/raw
Raw目录下再建立各个分类目录，这些分类目录的名字将是分类的标签名，在子目录下面就存放各个分类的图片。
2）预处理原生图片
如果你想比较你图片集跟LFW数据集的准确率，你可以使用项目中提供的脚本来清除你图片集中带有LFW特征的图片（data/casia-facescrub/remove-lfw-names.py）
我们启用8个线程来预处理图片：
for N in {1..8}; do ./util/align-dlib.py <path-to-raw-data> align outerEyesAndNose <path-to-aligned-data> --size 96 & done
注:<> 括号里是自己的目录，自己需要根据实际改写
然后修剪生成分类目录，在每个分类目录下存放3张精选的图片：
./util/prune-dataset.py <path-to-aligned-data> --numImagesThreshold 3
注：3这个阈值，你可以根据情况自己设置
3）训练模型
执行 training/main.lua文件去训练模型（在 training/opts.lua文件里编辑选项或者通过命令行传参执行）然后会产生损失函数和处理模型到training/work这个目录里。对于GPU内存来说，大概需要耗费128G内存，需设置-peoplePerBatch和-imagesPerPerson（默认分别是15和20）来减少内存的消耗。（这些参数可限制每批次处理的上限）
注意：数据目录的metadata（元数据）存放在缓存里training/work/trainCache.t7；如果数据目录发生改变了，删除这些元数据，他会重新生成一个。
停止或者重启训练
每次训练迭代都会把模型存放在work里面，如果训练进程被kill掉，你可以通过-retain参数重启。你也可以设置不同人工种子-manualSeed来作为图片序列采样，-epochNumber设置迭代次数。
这里需要你懂点lua语言的应用的，不然真的一头雾水，主要的翻译就这样了
4）分析训练结果
验证损失函数： training/plot-loss.py.
需要装相应的依赖，相应依赖存放在 training/requirements.txt，可以执行以下命令安装：
pip2 install -r requirements.txt
模型的正确率：
Openface 官方有说明默认是使用nn4.small2，有3733968个参数，预计准确率为93左右
LFW数据集在国外训练model挺流行，可是在国内感觉不怎么行，毕竟采集的人物大都是外国人为准；关于模型的正确率，你可以参考这个链接：
http://cmusatyalab.github.io/openface/models-and-accuracies/
http://cmusatyalab.github.io/openface/training-new-models/