Ce travail aborde le problème de la reconnaissance faciale profonde (FR) dans un protocole ouvert, où l'on s'attend à ce que les caractéristiques faciales idéales aient une distance intra-classe maximale plus petite que la distance inter-classe minimale dans un espace métrique convenablement choisi. Cependant, peu d'algorithmes existants peuvent atteindre efficacement ce critère. Pour remédier à cela, nous proposons la perte softmax angulaire (A-Softmax) qui permet aux réseaux neuronaux convolutifs (CNNs) d'apprendre des caractéristiques angulairement discriminantes. Géométriquement, la perte A-Softmax peut être considérée comme imposant des contraintes discriminantes sur une variété hypersphérique, ce qui correspond intrinsèquement à l'hypothèse que les visages se situent également sur une variété. De plus, la taille de la marge angulaire peut être ajustée quantitativement par un paramètre $m$m. Nous dérivons ensuite des valeurs spécifiques de $m$m pour approcher le critère idéal des caractéristiques. Une analyse approfondie et des expériences menées sur Labeled Faces in the Wild (LFW), Youtube Faces (YTF) et MegaFace Challenge montrent la supériorité de la perte A-Softmax dans les tâches de reconnaissance faciale. Le code a également été rendu publiquement disponible.