3、孪生网络/连体网络（Siamese Network）

目的：

用Siamese Network (孪生网络) 解决Few-shot learning (小样本学习)。

Siamese Network并不是Meta Learning最好的方法，

但是通过学习Siamese Network，非常有助于理解其他Meta Learning算法。

这里介绍了两种方法：Siamese Network (孪生网络)、Trplet Loss

Siamese Network孪生网络

1、拿到一个样本量较大的训练集，对数据集进行正负样本分类。

正样本图片之间两两标一，负样本图片之间两两标0。

2、搭建一个卷积神经网络（CNN），用于提取特征。

CNN中有卷积层，池化层，和展平层。

输入是一张图片x，输出是提取的特征向量f(x)。

3、训练神经网络。

1. 将两张图片输入同一CNN网络
2. 第一张图片提取的向量为，
3. 第二张图片提取的向量为。
4. 两个特征向量之间的区别向量：
5. 全连接层处理向量,得到标量。
6. 用Sigmoid激活函数，输出一个0-1之间的实数

正样本：

两张图都是老虎，因此标签为1。

1. 损失函数Loss是标签与预测之间的差值。
2. 用反向传播，梯度从损失函数传回至向量z以及全连接层的参数；
3. 梯度下降更新模型参数；
4. 模型主要有两个部分：一个是卷积神经网络f，从图片提取特征；另一部分是全连接层，用来预测相似度。
5. 预测的过程就是对其中的参数进行更新。

梯度进一步传到卷积神经网络f，用计算出的梯度更新卷积层的参数。

负样本：

两张图不同，因此标签为0。

Triplet Loss:

Reference: Facenet:A unified embedding for face recognition and clustering. In CVPR,2015

总结：