Siamese Network

1. Siamese 网络采用两个不同的输入，通过两个具有相同架构、参数和权重的相似子网络。
2. 这两个子网互为镜像，就像连体双胞胎一样。 因此，对任何子网架构、参数或权重的任何更改也适用于其他子网。
3. 两个子网络输出一个编码来计算两个输入之间的差异。
4. Siamese 网络的目标是使用相似度分数对两个输入是相同还是不同进行分类。可以使用二元交叉熵、对比函数或三元组损失来计算相似度分数，这些都是用于一般距离度量学习方法的技术。
5. Siamese 网络是一种one-shot分类器，它使用判别特征从未知分布中概括不熟悉的类别

train

1. 加载包含不同类的数据集
2. 创建正负数据对。 当两个输入相同时为正数据对，当两个输入不同时为负数据对。
3. 构建卷积神经网络，它使用全连接层输出特征编码。我们将通过姊妹 CNN传递两个输入。姐妹 CNN 应该具有相同的架构、超参数和权重。
4. 构建差分层以计算两个姐妹 CNN 网络编码输出之间的欧几里得距离。
5. 最后一层是具有单个节点的全连接层，使用 sigmoid 激活函数输出相似度分数。
6. 使用二元交叉熵作为损失函数。

eval

1. 向训练模型发送两个输入以输出相似度分数。
2. 由于最后一层使用 sigmoid 激活函数，它输出一个范围在 0 到 1 之间的值。接近 1 的相似度得分意味着两个输入是相似的。接近 0 的相似度得分意味着两个输入不相似。一个好的经验法则是使用 0.5 的相似性截止阈值。

应用

1. 签名验证
2. 面部识别
3. 比较指纹
4. 根据临床分级评估疾病严重程度
5. 工作资料的文本相似度以恢复匹配
6. 用于配对相似问题的文本相似度

优缺点

1. Siamese 网络是一种one-shot分类模型，只需一个训练样本即可进行预测。
2. 对类别不平衡更鲁棒，因为它需要很少的信息。 它可以用于某些类的样本很少的数据集。
3. Siamese 网络的one-shot学习特性不依赖于特定领域的知识，而是利用了深度学习技术。
4. 仅输出相似性分数而不输出概率。互斥事件的概率总和为 1。而距离不限于小于或等于 1。

loss

在 Triplet loss 中，anchor和正样本编码之间的距离被最小化，而anchor和负样本编码之间的距离被最大化。