keras 的 example 文件 mnist_siamese.py 解析

该程序是介绍了一个孪生神经网络，大致就是给出两张图片，比较两张图片的相似性，比如人脸对比等

这里的数据集是mnist，代码中首先会建立一些图片对，就是pairs，如果是同类的图片，则把y值设置为 1，如果是不同类的图片，则把 y 值设置为 0；y值就是相似度

 

基础神经网络结构为：

_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
input_1 (InputLayer)         (None, 28, 28)            0
_________________________________________________________________
flatten_1 (Flatten)          (None, 784)               0
_________________________________________________________________
dense_1 (Dense)              (None, 128)               100480
_________________________________________________________________
dropout_1 (Dropout)          (None, 128)               0
_________________________________________________________________
dense_2 (Dense)              (None, 128)               16512
_________________________________________________________________
dropout_2 (Dropout)          (None, 128)               0
_________________________________________________________________
dense_3 (Dense)              (None, 128)               16512
=================================================================
Total params: 133,504
Trainable params: 133,504
Non-trainable params: 0
_________________________________________________________________
None

就是给一个数字图片，经过一堆计算之后，会生成一个128维的向量，

然后计算两张图片的运算结果向量之间的欧氏距离，也就是函数 euclidean_distance，向量平方和再开方，其值肯定是一个整数

我们猜想一下，如果两张图片，送的数据一模一样，那么其距离结果肯定为 0，如果完全不同的两张图片，那么运算结果也应该是一个很大的数

 

 

下面是一个自定义的损失函数 contrastive_loss，损失函数的参数为 预期值 和 实际运算结果；

这里再强调一下，y_pred 的值肯定不会小于 0，因为是平方和，再开方，肯定大于等于 0

损失函数的返回值为：

    return y_true * square_pred + (1 - y_true) * margin_square

因为 y_true 是我们在数据集预处理中设置的，其值可能为 0 ，或 1，

如果 y_true 为 1，也就是两张图片预期一样时，则返回结果可以简化为 square_pred

square_pred 就是欧氏距离；

如果 y_true 为 0， 也就是两张图片预期不一样时，则返回结果可以简化为 margin_square；

    margin_square = K.square(K.maximum(margin - y_pred, 0))

损失函数就是，在结果符合预期时，损失值很小，在不符合预期时，损失值很大；

margin_square 就是 (1 - 欧氏距离)的平方，比如传了一个1，一个2，那么欧氏距离应该是很大，比如 y_pred 值为0.9，那就是符合预期，(1 - y_pred)**2，结果为 0.01，损失就很小；

而如果传了不同的两个值，一个1，一个2，结果欧式距离很小，比如 y_pred 值为 0.01，那么损失函数应该很大，这里确实很大，0.99 ** 2，差不多为 1 了，需要神经网络进行优化；

但如果传入的是两个不同的图片，计算结果 y_pred 为 10，那其实也是符合预期，反正两张不同的图片 y_pred 越大越好，那么这时候计算 K.maximum(margin - y_pred, 0) 就是 K.maximum(-9, 0)，也就是 0，损失为0

 

其他就没有什么难点了