Dans cet article, nous proposons une fonction objectif conceptuellement simple et géométriquement interprétable, à savoir le Softmax avec marge additive (AM-Softmax), pour la vérification faciale profonde. En général, la tâche de vérification faciale peut être considérée comme un problème d'apprentissage de métrique, il est donc essentiel d'apprendre des caractéristiques faciales à grande marge dont la variabilité intra-classe est faible et la différence inter-classes est importante afin d'obtenir de bonnes performances. Récemment, le Large-margin Softmax et l'Angular Softmax ont été proposés pour incorporer la marge angulaire de manière multiplicative. Dans ce travail, nous introduisons une nouvelle marge angulaire additive pour la perte Softmax, qui est plus intuitive et plus interprétable que les travaux existants. Nous soulignons également et discutons de l'importance de la normalisation des caractéristiques dans l'article. Plus important encore, nos expériences sur LFW BLUFR et MegaFace montrent que notre perte Softmax avec marge additive performe constamment mieux que les méthodes actuelles de pointe en utilisant la même architecture de réseau et le même ensemble de données d'entraînement. Notre code est également disponible sur https://github.com/happynear/AMSoftmax.