问题描述
我正在使用 Keras 为 224x224x3 大小的图像开发用于人脸识别的连体网络。 Siamese 网络的架构是这样的：
对于 CNN 模型，我正在考虑使用已经在 Keras.applications 模块中预训练的 InceptionV3 模型。
#Assume all the other modules are imported correctly
from keras.applications.inception_v3 import InceptionV3
IMG_SHAPE=(224,224,3)
def return_siamese_net():
left_input=Input(IMG_SHAPE)
right_input=Input(IMG_SHAPE)
model1=InceptionV3(include_top=False,weights="imagenet",input_tensor=left_input) #Left SubConvNet
model2=InceptionV3(include_top=False,input_tensor=right_input) #Right SubConvNet
#Do Something here
distance_layer = #Do Something
prediction = Dense(1,activation='sigmoid')(distance_layer) # Outputs 1 if the images match and 0 if it does not
siamese_net = #Do Something
return siamese_net
model=return_siamese_net()
由于模型经过预训练，我遇到了错误，现在我一直在为孪生网络实现距离层。
我应该在两者之间添加什么才能使这个 Siamese Network 工作？
解决方法
一个非常重要的注意事项，在您使用距离层之前，要考虑到您只有一个卷积神经网络。
共享权重实际上仅指一个卷积神经网络，权重是共享的，因为在传递一对图像时使用相同的权重（取决于使用的损失函数）以计算特征以及随后的嵌入每个输入图像。
您将只有一个神经网络，并且块逻辑需要如下所示：
def euclidean_distance(vectors):
(features_A,features_B) = vectors
sum_squared = K.sum(K.square(features_A - features_B),axis=1,keepdims=True)
return K.sqrt(K.maximum(sum_squared,K.epsilon()))
image_A = Input(shape=...)
image_B = Input(shape=...)
feature_extractor_model = get_feature_extractor_model(shape=...)
features_A = feature_extractor(image_A)
features_B = feature_extractor(image_B)
distance = Lambda(euclidean_distance)([features_A,features_B])
outputs = Dense(1,activation="sigmoid")(distance)
siamese_model = Model(inputs=[image_A,image_B],outputs=outputs)
当然，特征提取器模型可以是来自 Keras/TensorFlow 的预训练网络，并改进了输出分类层。
主要逻辑应该和上面一样，当然，如果你想使用triplet loss，那需要三个输入（Anchor，Positive，Negative），但一开始我建议坚持基础。
此外，最好查阅此文档：