基于Keras的孪生网络与三元组损失图像验证模型构建疑问

你的理解完全正确！你定义的embedding Sequential模型在被input_a、input_p、input_n三个输入调用时，确实会共享所有权重——这正是孪生网络（Triplet Network）的核心设计逻辑：我们需要用同一个特征提取器来处理所有样本，这样学习到的嵌入向量才能处于同一特征空间，准确衡量样本间的相似度，这也是三元组损失能发挥作用的前提。

如何提取embedding的权重？ #

有两种简单直接的方法：

1. 直接从embedding模型实例提取
   你已经单独定义了embedding这个Sequential模型，训练过程中它的权重会和大模型同步更新，所以可以直接调用它的权重获取方法：

   • 获取所有层的权重（返回一个列表，每个元素对应一层的权重和偏置）：

     all_weights = embedding.get_weights()
     

   • 获取特定层的权重（比如输出64维嵌入的Dense层）：

     dense64_weights = embedding.layers[2].get_weights()  # layers索引从0开始：Flatten是0，第一个Dense是1，第二个Dense是2
     

2. 从大的Model实例中提取
   如果你后续没有保留embedding的引用，也可以从最终构建的model中找到对应的嵌入子模型：

   # 找到嵌入模型对应的层（大模型的第4层，索引从0开始）
   embedding_submodel = model.layers[3]
   all_weights = embedding_submodel.get_weights()
   

额外实用提示 #

训练完成后，你可以直接用这个embedding模型单独生成单张图片的嵌入向量，用于后续的人脸验证任务：

# 假设single_image是预处理后的单张图片张量
image_embedding = embedding.predict(single_image)

另外，给你一个常用的三元组损失函数实现参考（需根据你的嵌入维度调整切片位置）：

def triplet_loss(y_true, y_pred):
    # 拆分拼接后的输出为三个嵌入向量
    emb_dim = 64
    emb_a = y_pred[:, :emb_dim]
    emb_p = y_pred[:, emb_dim:2*emb_dim]
    emb_n = y_pred[:, 2*emb_dim:]
    
    # 计算欧式距离的平方
    pos_dist = K.sum(K.square(emb_a - emb_p), axis=-1)
    neg_dist = K.sum(K.square(emb_a - emb_n), axis=-1)
    
    # 三元组损失公式，margin可根据任务调整
    margin = 0.2
    loss = K.mean(K.maximum(pos_dist - neg_dist + margin, 0.0))
    return loss

内容的提问来源于stack exchange，提问作者Yoskutik