初学siameseNet网络，希望可以用于信号的识别分类应用。此文为不间断更新的笔记。
siameseNet简介
全连接孪生网络(siamese network)是一种相似性度量方法，适用于类别数目多但是每类的样本数少的分类问题。
Siamese Network 是一种神经网络的框架，而不是具体的某种网络，就像seq2seq一样，具体实现上可以使用RNN也可以使用CNN。
简单的说，Siamese Network用于评估两个输入样本的相似度。网络框架：
Siamese Network有两个结构相同，且共享权值的子网络。分别接收两个输入Ew 。
训练Siamese Network采用的训练样本是一个tuple X2 属于相同类型(相似)。
LOSS函数的设计应该是:
1. 当两个输入样本不相似(y=0
)时，距离Ew
越大，损失越小，即关于Ew
的单调递减函数。
2. 当两个输入样本相似(y=1
)时，距离Ew
越大，损失越大，即关于Ew
的单调递增函数。
Loss函数怎么定义，其实就是Logistic Regression的Loss函数，这里值得注意的是最后一层的激活函数要用Sigmoid Function。Loss函数如下：
用L+(X1,X2) 表示y=1 时的LOSS， L−(X1,X2) 表示y=0 时的LOSS，则LOSS函数可以写成如下形式
总结下来：
1、输入不再是单个样本，而是一对样本，不再给单个的样本确切的标签，而且给定一对样本是否来自同一个类的标签，是就是0，不是就是1
2、设计了两个一模一样的网络，网络共享权值W，对输出进行了距离度量，可以说l1、l2等。
3、针对输入的样本对是否来自同一个类别设计了损失函数，损失函数形式有点类似交叉熵损失。
最后使用获得的损失函数，使用梯度反传去更新两个网络共享的权值W。
这个网络主要的优点是淡化了标签，使得网络具有很好的扩展性，可以对那些没有训练过的类别进行分类，这点是优于很多算法的。而且这个算法对一些小数据量的数据集也适用，变相的增加了整个数据集的大小，使得数据量相对较小的数据集也能用深度网络训练出不错的效果。
实验的时候要注意，输入数据最好打乱，由于这样去设计数据集后，相同类的样本对肯定比不相同的样本对数量少，在进行训练的时候最后将两者的数据量设置成相同数量。
参考
https://blog.csdn.net/thriving_fcl/article/details/73730552
https://github.com/ardiya/siamesenetwork-tensorflow
https://blog.csdn.net/sxf1061926959/article/details/54836696
https://www.jianshu.com/p/1df484d9eba9?utm_source=oschina-app