في هذا البحث، نقترح دالة هدف بسيطة مفهوميًا وقابلة للتفسير الهندسي، وهي Softmax الهامش الإضافي (AM-Softmax)، لتحقق التحقق من الوجوه العميقة. بشكل عام، يمكن اعتبار مهمة التحقق من الوجه مشكلة تعلم المقاييس، لذا فإن تعلم خصائص الوجه ذات الهامش الكبير والتي تكون الاختلافات داخل الفئة صغيرة والاختلافات بين الفئات كبيرة هي من الأهمية بمكان لتحقيق أداء جيد. مؤخرًا، تم اقتراح Large-margin Softmax و Angular Softmax لإدخال الهامش الزاوي بطريقة ضربية. في هذا العمل، نقدم هامش زاوي إضافي جديد لخسارة Softmax، وهو أكثر جاذبية حدسية وأكثر قابلية للتفسير مقارنة بالأعمال الحالية. كما نؤكد ونناقش أهمية تطبيع الخصائص في البحث. وأهم من ذلك كله، تظهر تجاربنا على LFW BLUFR و MegaFace أن خسارة Softmax الهامش الإضافي الخاصة بنا تؤدي بشكل أفضل باستمرار من الأساليب الرائدة حاليًا باستخدام نفس بنية الشبكة ومجموعة البيانات التدريبية. لقد جعلنا أيضًا رمز البرمجيات متاحًا على https://github.com/happynear/AMSoftmax