null - 程序员宅基地

Siamese Network & Triplet NetWork-程序员宅基地

Siamese Network（孪生网络）

简单来说，孪生网络就是共享参数的两个神经网络

在孪生网络中，我们把一张图片 $X_1$ 作为输入，得到该图片的编码 $G_W(X_1)$ 。然后，我们在不对网络参数进行任何更新的情况下，输入另一张图片 $X_2$ ，并得到改图片的编码 $G_W(X_2)$ 。由于相似的图片应该具有相似的特征（编码），利用这一点，我们就可以比较并判断两张图片的相似性

孪生网络的损失函数

传统的Siamese Network使用Contrastive Loss（对比损失函数）
$\mathcal{L} = (1-Y)\frac{1}{2}(D_W)^2+(Y)\frac{1}{2}\{max(0, m-D_W)\}^2$
其中 $D_W$ 被定义为孪生网络两个输入之间的欧氏距离，即
$D_W = \sqrt{\{G_W(X_1)-G_W(X_2)\}^2}$

$Y$ 值为0或1，如果 $X_1,X_2$ 这对样本属于同一类，则 $Y = 0$ ，反之 $Y = 1$
$m$ 是边际价值（margin value），即当 $Y = 1$ ，如果 $X_1$ 与 $X_2$ 之间距离大于 $m$ ，则不做优化（省时省力）；如果 $X_1$ 与 $X_2$ 之间的距离小于 $m$ ，则调整参数使其距离增大到 $m$

Contrastive Loss代码

import torch
import numpy as np
import torch.nn.functional as F

class ContrastiveLoss(torch.nn.Module):
    "Contrastive loss function"
    def __init__(self, m=2.0):
        super(ContrastiveLoss, self).__init__()
        self.m = m
            
    def forward(self, output1, output2, label):
        d_w = F.pairwise_distance(output1, output2)
        contrastive_loss = torch.mean((1-label) * 0.5 * torch.pow(d_w, 2) +
                                      (label) * 0.5 * torch.pow(torch.clamp(self.m - d_w, min=0.0), 2))

        return contrastive_loss

其中，F.pairwise_distance(x1, x2, p=2)函数公式如下
$(\sum_{i=1}^n(|x_1-x_2|^p))^{\frac{1}{p}}\\ x_1,x_2 \in \mathbb{R}^{b\times n}$

pairwise_distance(x1, x2, p) Computes the batchwise pairwise distance between vectors $x_1$ , $x_2$ using the p-norm

孪生网络的用途

简单来说，孪生网络的直接用途就是衡量两个输入的差异程度（或者说相似程度）。将两个输入分别送入两个神经网络，得到其在新空间的representation，然后通过Loss Function来计算它们的差异程度（或相似程度）

词汇语义相似度分析，QA中question和answer的匹配
手写体识别也可以用Siamese Network
Kaggle上Quora的Question Pair比赛，即判断两个提问是否为同一个问题

Pseudo-Siamese Network（伪孪生网络）

对于伪孪生网络来说，两边可以是不同的神经网络（如一个是lstm，一个是cnn），并且如果是相同的神经网络，是不共享参数的

孪生网络和伪孪生网络分别适用的场景

孪生网络适用于处理两个输入比较类似的情况
伪孪生网络适用于处理两个输入有一定差别的情况

例如，计算两个句子或者词汇的语义相似度，使用Siamese Network比较合适；验证标题与正文的描述是否一致（标题和正文长度差别很大），或者文字是否描述了一幅图片（一个是图片，一个是文字）就应该使用Pseudo-Siamese Network

Triplet Network（三胞胎网络）

如果说Siamese Network是双胞胎，那Triplet Network就是三胞胎。它的输入是三个：一个正例+两个负例，或一个负例+两个正例。训练的目标仍然是让相同类别间的距离尽可能小，不同类别间的距离尽可能大。Triplet Network在CIFAR，MNIST数据集上效果均超过了Siamese Network

损失函数定义如下：
$\mathcal{L}=max(d(a,p)-d(a,n)+margin, 0)$

$a$ 表示anchor图像
$p$ 表示positive图像
$n$ 表示negative图像

我们希望 $a$ 与 $p$ 的距离应该小于 $a$ 与 $n$ 的距离。 $m a r g i n$ 是个超参数，它表示 $d (a, p)$ 与 $d (a, n)$ 之间应该相差多少，例如，假设 $m a r g i n = 0.2$ ，并且 $d (a, p) = 0.5$ ，那么 $d (a, n)$ 应该大于等于 $0.7$

Reference

本文链接：https://blog.csdn.net/qq_37236745/article/details/109057383

原作者删帖不实内容删帖广告或垃圾文章投诉

智能推荐

.NET/ASP.NET MVC Controller 控制器（IController控制器的创建过程）-程序员宅基地

文章浏览阅读395次。阅读目录： 1.开篇介绍 2.ASP.NETMVC IControllerFactory 控制器工厂接..._controllerbuilder.current.setcontrollerfactory

单源点最短路径算法：Bellman-Ford算法_bellman-ford算法是多边dp吗-程序员宅基地

文章浏览阅读1.5k次。背景知识图简介图由节点和边组成，边有方向的图称为有向图，边没有方向的图称为无向图，最短路径算法里可以把无向图视为双向连接的有向图。边有权重的图称为有权图，边没有权重的图称为无权图，无权图可以视为边的权重均为1的图。单源点最短路径给定图中的一个节点，求该节点到其他所有节点的最短路径。Bellman-Ford算法概述Bellman-Ford属于DP算法，_bellman-ford算法是多边dp吗

利用“PECL”安装PHP扩展，比如“xlswriter”_pecl install xlswriter-程序员宅基地

文章浏览阅读248次。安装php扩展。_pecl install xlswriter

如何使用SQL Server配置管理器-程序员宅基地

文章浏览阅读8.4k次，点赞6次，收藏21次。SQL Server configuration manager is a tool provided by Microsoft SQL Server. When we install SQL Server, it is installed automatically. It is used for the following purposes. SQL Server配置管理器是Mic..._sql native client 11.0 配置客户端协议

微软官方推出的四款工具，太实用了，值得收藏_微软资源库-程序员宅基地

文章浏览阅读1.1k次。所以今天小编给大家分享4个微软官方推出的实用工具，每一个都非常好用，对于大家日常办公，非常有必要，感兴趣的朋友可以下载试试！_微软资源库

android 平台上使用opencl 调用gpu 进行加速_cl社区1024地址-程序员宅基地

文章浏览阅读1.6k次。其实去年就已经把Android上OpenCL的demo做出来了，但是由于种种原因一直没有开源–嗯现在就不吝啬了~奉献给大家~后面在Android上还实现了很多种并行化的算法，比如SHA-1、HDR、K-means、NL-means、SRAD等等，会在近期整理好之后开源的。原文发表在了异构开发技术社区整理成教程是队友做的，十分感谢~原博文地址: 原文链接已经失效，无法查看了，好遗憾队友的博客项目github地址代码CSDN地址下面是干货：Android平台利用OpenCL框架实现并行._cl社区1024地址

随便推点

v-cloak 指令作用及适用场景_v-cloak作用-程序员宅基地

文章浏览阅读747次，点赞35次，收藏45次。v-cloak 是一个实用的 Vue 指令，它可以在页面加载期间防止用户看到未编译的 Vue 代码。当使用 v-cloak 时，通常会结合 CSS 规则来确保在 Vue 编译过程完成之前，用户看不到任何预编译的内容。这包括防止大括号 {{ }} 和其他模板语法在页面上闪烁。_v-cloak作用

解决 IDEA tomcat启动时的错误：idea Error:java: Compilation failed: internal java compiler_tomcat compilation failed internal java compiler e-程序员宅基地

文章浏览阅读1.9k次，点赞2次，收藏3次。最近使用idea后台开发功能，启动tomcat时报错，具体错误如下：Error:java: Compilation failed: internal java compiler error百度了一些文章，不过都不管用！！！！！！我的解决方案如下：在setting-->Build,Execution,Deployment-->Compiler 中找到build process hea..._tomcat compilation failed internal java compiler error

Ubuntu16.04安装CodeChecker及CodeChecker服务器的配置_ubuntu codechecker-程序员宅基地

文章浏览阅读1.3k次。Ubuntu安装CodeChecker首先环境使用的是Ubuntu16.04发行版其自带的python版本为3.5，gcc版本为5CodeChecker需要python版本>=3.6经过实验，发现Ubuntu版本过低时，如果不能按照如下方法使用apt直接安装python，那么需要使用gcc对python源码进行进行编译安装。此时gcc版本应至少>=5。否则无法对python进行编译安装（至少gcc4.8.1不行）因此如果需要gcc降级，那么务必在安装CodeChecker安装结束后再_ubuntu codechecker

3.Mapper.xml 详解-程序员宅基地

文章浏览阅读1.6w次，点赞12次，收藏108次。文章目录Mapper.xml 详解1. parameterType2. resultType3. 级联查询3.1 一对多3.2 多对多Mapper.xml 详解MyBatis 主要有两个的配置文件：config.xml 和 Mapper.xml，这两个配置文件可以自定义文件名。config.xml 是全局配置文件，主要配置 MyBatis 的数据源(DataSource)，事务管理(TransactionManager)以及打印 SQL 语句，开启二级缓存，注册 Mapper.xml 等。Map_mapper.xml

ensp提示抓包工具wireshark配置路径不正确_ensp抓包工具wireshark配置路径不正确-程序员宅基地

文章浏览阅读2.4w次，点赞30次，收藏61次。太久没有使用模拟器，今天突然打不开抓包工具了，莫慌，马上上解决方法。出现这个问题的原因可能是因为各位老铁们在升级软件的时候位置变了，或者是先安装了ensp后面才安装的wireshark。解决方法：单击 eNSP的菜单 - 工具 - 选项 - 工具设置，在引用工具里面设置你安装的 wireshark 路径。有的老铁可能已经忘记了安装路径，这边告知大家如何找到安装路径，先找到电脑里面的wireshark请注意看一下是不是真实的安装路径如果不是请同理选中快捷方式右键选中打开文件所在位置下_ensp抓包工具wireshark配置路径不正确

全网疯传，阿里 P8 技术官的架构笔记外泄：微服务分布式架构实践手册_阿里p8分布式架构笔记-程序员宅基地

文章浏览阅读132次。阿里 P8 大佬的架构笔记：微服务分布式架构实践手册从企业的真实需求出发，理论结合实际，深入讲解 Spring Cloud 微服务和分布式系统的知识。_阿里p8分布式架构笔记