元学习 & Meta Learning & Few-Shot Learning 二 || 孪生网络

名字叫孪生神经网络，但是实际上只有一个网络 训练孪生网络的方法(两个) 方法一：每次取两个样本，比较他们的相似度

训练这个大的神经网络需要一个大型数据集，每一类要有标注

1. 正负样本的设置，同一类放两张图片，标签为1(相似度满分)；不同类抽取两张图片，标签为0

2. 神经网络的搭建

   图片经过卷积后展开为长向量

   这边h1和h2是同一个神经网络得到的结果，相减后求绝对值得到Z，再进全连接层到1个输出，最后sigmoid函数激活得到概率

   损失函数：损失函数可以是 cross-entropy

   负样本同理：(正样本标签为1，负样本标签为0)

3. One-shot 预测

   首先需要提供 Support Set ，注意Support Set里出现的图片不在训练集里，然后提供Query，Query应该是Support Set中的某一类，然后Query 与 Support Set 逐一进行对比计算相似度，选取相似度最大的作为预测结果

---

方法二：Triplet Loss

1. 数据准备

   每次从训练集中选出三张图片进行训练；其中两张属于同一类，另外一张不同类，同一类的两张图片中，一张称之为 anchor ，另外一张为 positive ，不同类的图片称为 negative。计算向量差的二范数的平方

   这里d+ 越小越好，表示同一类别，d- 越大越好，表示不同类别

2. 损失函数

   loss为零的情况：(d-) - (d+) >= α (α是我们设置的超参数) ，说明此时网络能区分正负样本

   loss不为零的情况：若不满足上述 (d-) - (d+) >= α 条件，则令 loss = (d+) + α - (d-) , 在优化过程中，我们希望loss越小越好，此时就会朝着 d+ 变小且 d- 变大的方向优化，那么就会使得同一样本距离越来越小，不同样本越来越大

3. 测试

   由上述方法得到的神经网络，最终输出为 d+和d- ，我们此时将 Query输入网络，得到dist，找出最小的那个dist即可