在Keras和TensorFlow中实现孪生网络
在Keras和TensorFlow中实现孪生网络' can be condensed to '在Keras和TensorFlow中实现孪生网络'.
通过示例代码学习目标检测等技术
神经网络在人工智能/机器学习领域非常出色且广受欢迎，但它们需要大量的数据进行训练。对于诸如目标检测、签名验证、语音验证和处方药识别等任务，由于过多的数据要求，常规神经网络技术将会更加耗时和昂贵。在这些类型的工作中，孪生网络可以非常强大，因为它所需的数据比常规神经网络少得多。此外，不平衡的数据集也可以表现出良好的性能。
本教程将为您提供孪生网络的高级概述，并提供一个与之一起使用的完整示例。我在这里使用了时尚MNIST数据集，但这种类似的结构对于许多其他用例都很好。
什么是孪生网络？
孪生网络包含一个或多个相同的网络，这些相同的网络具有相同的参数和权重。如果一个网络的权重更新，另一个网络的权重也会更新。它们必须是相同的。最后一层通常是一个嵌入层，用于计算输出之间的距离。
您将输入一对输入。每个网络将计算输入的特征，并使用两个图像之间的距离找到两个输入之间的相似性。因此，只有两个类别。图像要么相似，要么不相似。
当您在一个示例上工作时，这个概念将更加清晰。通过实践学习总是最好的想法。
必要的导入和函数定义
让我们从必要的导入开始。如果需要，我们可以导入更多内容。
import osimport tensorflow.keras.backend as Kimport matplotlib.pyplot as pltimport numpy as npimport tensorflow as tffrom tensorflow.keras.models import Modelfrom tensorflow.keras.layers import Inputfrom tensorflow.keras.layers import Conv2Dfrom tensorflow.keras.layers import Densefrom tensorflow.keras.layers import…
