目录

一 解决问题

二 网络架构

三 损失函数（使用contrastive loss处理paired data）

1 当Y=1时

2 当Y=0时

---

一 解决问题

数据集中类别数较多（即无法确认具体类别数或者类别数很多很多），并且每个类别对应的样本数量较少

注意：人脸识别（验证）属于该种问题

二 网络架构

第一点：拥有两个相同的子神经网络，且权值共享

第二点：属于有监督学习，样本为paired data：

注意：

• ，为相似样本，
• ，为不相似样本，

第三点：子网络接受两个输入，并由神经网络转化为向量，再计算两个向量的距离（根据需求选择距离度量）

三 损失函数（使用contrastive loss处理paired data）

注意：

• ：表示样本数量，即paired data数量
• ：表示标签，即Y=0或者Y=1
• ：表示欧式距离，即
• ：表示不相似样本的距离阈值，即两个不相似样本的距离在[0,m]，超过m时，两个不相似样本的loss可以看作0

1 当Y=1时

注意：极小化损失函数，也就是减小，使得相似样本距离变小

2 当Y=0时

注意：极小化损失函数，也就是增大，是的不相似样本距离变大