Keras中Siamese网络对比损失标签为何与原论文相反？

这其实是标签语义的直观化调整，损失的数学逻辑并没有改变，具体原因如下：

• 原论文的标签定义：相似样本对标记为0，不相似为1。损失公式(1. - y_true) * square_pred + y_true * margin_square的逻辑是：

  • 相似样本（y_true=0）：损失仅保留square_pred（特征平方距离），目的是让相似样本距离尽可能小；
  • 不相似样本（y_true=1）：损失仅保留margin_square（距离未达阈值时的惩罚项），目的是让不相似样本距离至少拉开margin的差距。

• Keras示例的标签调整：把相似样本标记为1，不相似为0，但公式不变。此时公式逻辑自动适配新标签：

  • 相似样本（y_true=1）：1-y_true=0，损失仍为square_pred，和原论文要求一致；
  • 不相似样本（y_true=0）：y_true=0，损失仍为margin_square，同样和原论文逻辑一致。

• 调整的核心目的：让标签语义符合常规认知——通常用1代表“同类/相似”、0代表“异类/不相似”，降低标注和理解数据的成本，不需要额外记忆反常识的标签定义。

内容的提问来源于stack exchange，提问作者Richard Tony