接下來在2017年，為了要解決人臉辨識常見的資料不均衡的問題，使用weight和feature normalization來處理，在人臉辨識系統中較容易發生類別資料不均衡，在解決這問題的方法有1.從訓練資料解決，將訓練資料樣本平均，降低不平衡的問題。
2.在訓練時解決問題，修改演算法來降低資料不平衡的影響，使模型訓練時適應資料不平衡的問題。
但在人臉辨識上，資料無法收集到每個樣本的數量都一致，因為無法收集完全，在訓練時在正樣本與負樣本比例懸殊上使用演算法來解決，所以才有Focal loss來解決樣本不平均的問題。

使用Weight Normalization是希望不論資料集的數量，每一種類別都是一樣的權重讓訓練時不會受到資料數的影響，與batchnormalization 能减少計算量，還可讓網路收斂的數度更快。

最後是large margin loss想要減少同一類間的距離，增加不同類別的距離。在SphereFace上使用(模型架構--2)，使用L-softmax loss就是在訓練時增加原來的softmax loss的學習難度，來加強模型學習的成效。