Facial Recognition (FR)-Methoden berichten über eine erhebliche Leistung durch die Anwendung von lernmethoden basierend auf Faltungsneuralnetzen (CNN). Obwohl CNNs in der Regel durch die Optimierung des Softmax-Verlustes trainiert werden, zeigt sich ein neuer Trend, bei dem die Genauigkeit durch verschiedene Strategien verbessert wird, wie zum Beispiel taskspezifisches CNN-Lernen mit unterschiedlichen Verlustfunktionen, Feinabstimmung auf dem Ziel-Datensatz, Metrik-Lernen und das Verketten von Merkmalen aus mehreren CNNs. Die Integration dieser Aufgaben erfordert offensichtlich zusätzliche Anstrengungen. Darüber hinaus entmutigt dies die Entwicklung effizienter CNN-Modelle für FR, die nur mit Identitätslabels trainiert werden. Wir konzentrieren uns auf diese Tatsache und schlagen eine einfach zu trainierende und auf einem einzelnen CNN basierende FR-Methode vor. Unser CNN-Modell nutzt den Residual Learning Framework. Zudem verwendet es normierte Merkmale zur Berechnung des Verlustes. Unsere umfangreichen Experimente zeigen eine ausgezeichnete Generalisierung auf verschiedenen Datensätzen. Wir erzielen sehr wettbewerbsfähige und standesgemäße Ergebnisse auf den Datensätzen LFW, IJB-A, YouTube Faces und CACD.