『损失函数』Siamese Network孪生神经网络

​ 着这种方法中，训练时输入一对图片，标签为0或者1,0表示图片属于不同的人，1表示图片属于相同的人。训练的目标在于使得属于同一个人的图片距离尽可能小，属于不同人的图片距离尽可能大。与triplet loss相同，这种方法同样面临样本对爆炸的可能。假设有10个人，每个人10张图片，则共有900(C101C102+C102C101)900(C^1_{10}C^2_{10}+C^2_{10}C^1_{10})900(C101​C102​+C102​C101​)个样本对。（原文链接：https://blog.csdn.net/wxb1553725576/article/details/80602786）

为了约束网络提取出来的特征具有紧凑性，contrastive loss 和 triplets loss 被提出来了。contrastive loss的思想是最小化一对同类样本特征的距离，最大化一对不同样本特征之间的距离。Triplets loss则把一对变成3个。contrastive loss 和 triplets loss 需要把样本两两配对或三三组合起来，导致样本急剧增大，加长了训练的时间，提高训练难度。（原文链接：https://blog.csdn.net/qq_24548569/article/details/89676753）

损失 函数 损失函数 神经网络