Few-shot Learning : Siamese Network

神经网络结构：

1、两张图片（x1、x2）输入卷积神经网络 输出提取的特征向量（h1、h2）

2、对两个特征向量作差 再取向量每个元素的绝对值（z）

3、全连接层处理z向量 输出一个标量（预测相似度）

4、Sigmoid激活函数 输出介于0-1之间的实数

把预设的标签（target = 1）与预测之间的差作为损失函数

损失函数可以是标签与预测的交叉熵（cross-entropy） 衡量标签与预测的差别

注意正样本预设标签为1，负样本预设标签为0

损失函数可以用反向传播来计算梯度，再用梯度下降更新模型参数

1、反向传播获取全连接层的梯度，更新全连接层的参数

2、梯度从z传播到卷积神经网络f，用计算出的梯度更新卷积层的参数

标签：shot,函数,Siamese,标签,预设,Few,神经网络,梯度,卷积
来源： https://www.cnblogs.com/peizx/p/16207597.html