孿生網路是由 Koch et al. (2015, 多倫多大學) 在 Siamese Neural Networks for One-shot Image Recognition提出，用於解決 one shot 圖片辨認的問題: 如何在只看過一個樣本的情況下學會分類該類別的圖片。
資料集
本次採用 Omniglot 做為示範，它是一個包含多種語言的字母資料集。
網路
概念上是取兩個輸入圖片的相似度，如果同類則標記為1，不同類則標記為0。架構極為簡單，經過編碼器後取兩個輸入特徵向量的距離即可。
損失函數
採用 Binary Cross Entropy loss.
訓練
如同普通的分類任務。
評估
模型可分辨兩張圖片是否為同一類別的準確度達0.90。
筆記
- 實現後發現卷積層並不需要太大，可以用極為輕巧的程度實現。例如這次的模型大小大約為10M，主要影響的因素是最後的全連接層。
- 模型訓練的資料量也不需要太大，可以在很小的圖片對集下完成訓練，訓練速度也會更快。
結語
本文介紹如何做出簡單的siamese network。實作代碼可參考以下連結。
參考
https://towardsdatascience.com/building-a-one-shot-learning-network-with-pytorch-d1c3a5fafa4a
