嗨，我来帮你理清楚Siamese网络的这些问题～ 先从你的代码问题说起，再一步步讲相似度计算和分类的方法。

一、你的代码里的小问题得先改 #

首先要敲黑板：你把ResNet的num_classes=5设置错啦！Triplet Loss是基于特征向量的距离来训练的，不是分类任务的logits输出。你现在forward_once返回的是5类的分类结果，这根本不是我们用来算距离的特征向量啊。

给你改个正确的版本：

import torch
import torch.nn as nn
import torchvision.models as models

class SiameseNetwork(nn.Module):
    def __init__(self, feature_dim=256) -> None:
        super().__init__()
        # 加载ResNet18，这里可以根据需求加pretrained=True用预训练权重
        self.resnet = models.resnet18(pretrained=False)
        # 拿到ResNet倒数第二层的输出维度（默认是512）
        in_features = self.resnet.fc.in_features
        # 把最后一层全连接替换成输出feature_dim维的特征层
        self.resnet.fc = nn.Linear(in_features, feature_dim)

    def forward_once(self, item):
        output = self.resnet(item)
        # 加个L2归一化，让特征落在单位球面上，对Triplet Loss训练更友好
        output = nn.functional.normalize(output, p=2, dim=1)
        return output

    def forward(self, anchor, positive, negative):
        output1 = self.forward_once(anchor)
        output2 = self.forward_once(positive)
        output3 = self.forward_once(negative)
        return output1, output2, output3

解释下：这样改了之后，forward_once返回的是归一化后的特征向量，完全适合Triplet Loss的训练和后续的距离计算。

二、相似度/距离怎么算？ #

训练的时候，TripletMarginLoss默认用的是欧氏距离（L2距离），你也可以通过参数指定用L1距离。到了推理阶段，常用的计算方式有这几种：

• 欧氏距离：数值越小，两个样本越像。直接用PyTorch的API就能算：

  # feat1、feat2是两个样本的特征，shape都是[batch_size, feature_dim]
  euclidean_dist = torch.nn.functional.pairwise_distance(feat1, feat2, p=2)
  

• 余弦相似度：取值在[-1,1]之间，越接近1说明两个样本越相似：

  cos_sim = torch.nn.functional.cosine_similarity(feat1, feat2, dim=1)
  

• 要是你想把距离转成0-1之间的相似度，直接用1 / (1 + euclidean_dist)就行，数值越接近1，样本越相似。

三、训练好之后怎么分类？ #

分两种常见的任务场景说：

1. 两样本匹配（比如判断是不是同一类）
   训练完模型后，你可以用验证集找一个合适的距离阈值。比如计算两个样本的欧氏距离，如果小于这个阈值（比如0.5），就判定它们是同一类，否则不是。这个阈值得自己调，找验证集上效果最好的那个值就行。

2. 多分类任务（比如判断样本属于哪一类）
   你可以先给每个类算一个“中心特征”：比如把每个类的所有样本都提取特征，然后取平均值作为这个类的中心。推理的时候，把待预测样本的特征和所有类的中心算距离，选距离最小的那个类作为预测结果。
   给你个简单的代码片段参考：

   # 假设class_centers是个字典，key是类标签，value是该类的中心特征（shape: [feature_dim]）
   # feat是待预测样本的特征（shape: [feature_dim]）
   min_dist = float('inf')
   pred_label = -1
   for label, center in class_centers.items():
       dist = torch.norm(feat - center, p=2)  # 计算欧氏距离
       if dist < min_dist:
           min_dist = dist
           pred_label = label
   

额外的小提示 #

• 你用TripletMarginLoss的时候，输入顺序是(anchor, positive, negative)，和你的forward输出对应，这部分是对的，不用改。
• 我在代码里加了特征的L2归一化，这会让Triplet Loss的训练更稳定，因为特征都在单位球面上，距离计算更直观。
• 如果你的任务是两两样本的匹配（不是三元组的任务），也可以考虑用ContrastiveLoss，不过Triplet Loss也完全能用，看你数据准备的情况。

备注：内容来源于stack exchange，提问作者Mitutoyo