如何基于单个类构建共享权重的孪生卷积网络（Siamese Net）

嘿，我来帮你拆解这个孪生网络权重共享的问题，咱们一步步来：

你现在的代码核心问题是一开始就强制开启了变量复用：每个variable_scope都加了reuse=True，但第一次创建net1时，layer1/conv2d/kernel这类变量还完全没被定义出来呢！

TensorFlow里reuse=True的语义是“我要复用已经存在的变量”，你第一次调用模型时根本没有可复用的变量，自然就抛出了找不到变量的ValueError。而且你用的tf.layers.conv2d这类高层API，内部默认用tf.get_variable创建变量，这种“先复用再创建”的逻辑完全矛盾，肯定跑不通。

有两种简单靠谱的方式，适配你的代码场景：

方式一：用统一作用域+tf.AUTO_REUSE自动判断 #

把孪生网络的特征提取逻辑封装成一个函数，用一个全局的变量作用域包裹，并且设置reuse=tf.AUTO_REUSE——它会自动帮你判断：变量不存在就创建，存在就复用，完美解决第一次创建、第二次复用的问题。

重构后的代码示例：

def build_siamese_backbone(inputs):
    with tf.variable_scope('siamese_backbone', reuse=tf.AUTO_REUSE):
        # 所有卷积、全连接层都放在这个统一作用域下
        layer1 = tf.layers.conv2d(inputs=inputs, filters=8, kernel_size=[1,1], padding='same', activation=tf.nn.relu)
        batch_layer1 = tf.layers.batch_normalization(inputs=layer1, axis=-1)
        dropout_layer1 = tf.layers.dropout(inputs=batch_layer1, rate=0.2)
        
        layer2 = tf.layers.conv2d(inputs=dropout_layer1, filters=8, kernel_size=[4,4], padding='same', activation=tf.nn.relu)
        batch_layer2 = tf.layers.batch_normalization(inputs=layer2, axis=-1)
        dropout_layer2 = tf.layers.dropout(inputs=batch_layer2, rate=0.2)
        
        layer3 = tf.layers.conv2d(inputs=dropout_layer2, filters=16, kernel_size=[4,4], padding='same', activation=tf.nn.relu)
        batch_layer3 = tf.layers.batch_normalization(inputs=layer3, axis=-1)
        dropout_layer3 = tf.layers.dropout(inputs=batch_layer3, rate=0.2)
        
        flatten_layer3 = tf.layers.flatten(dropout_layer3)
        dense_layer4 = tf.layers.dense(inputs=flatten_layer3, units=1000, activation=tf.nn.relu)
        logits = tf.layers.dense(inputs=dense_layer4, units=500)
        return logits

使用时直接两次调用这个函数即可：

with tf.Session() as sess:
    net1 = build_siamese_backbone(x1)  # 第一次调用：创建所有变量
    net2 = build_siamese_backbone(x2)  # 第二次调用：复用已创建的变量
    
    loss = Loss(2)
    optimiser = tf.train.AdamOptimizer(learning_rate=0.01).minimize(loss.contrastive_loss(1, net1, net2))
    
    # 别忘了初始化变量！你之前的代码漏掉了这一步，也会报错
    sess.run(tf.global_variables_initializer())
    
    for i in range(4):
        l = sess.run(loss.contrastive_loss(1, net1, net2))
        print(l)

方式二：复用同一个网络实例 #

如果你更倾向于用类的写法，可以让类的model方法接收输入参数，而不是在初始化时绑定输入。这样只需要创建一个SiameseNet实例，两次调用它的model方法分别传入不同输入，配合变量作用域就能实现共享：

class SiameseNet():
    def __init__(self):
        # 初始化时不绑定输入
        pass
    
    def model(self, inputs):
        with tf.variable_scope('siamese_backbone', reuse=tf.AUTO_REUSE):
            # 这里的层定义和上面的函数版本完全一致
            layer1 = tf.layers.conv2d(inputs=inputs, filters=8, kernel_size=[1,1], padding='same', activation=tf.nn.relu)
            batch_layer1 = tf.layers.batch_normalization(inputs=layer1, axis=-1)
            dropout_layer1 = tf.layers.dropout(inputs=batch_layer1, rate=0.2)
            
            layer2 = tf.layers.conv2d(inputs=dropout_layer1, filters=8, kernel_size=[4,4], padding='same', activation=tf.nn.relu)
            batch_layer2 = tf.layers.batch_normalization(inputs=layer2, axis=-1)
            dropout_layer2 = tf.layers.dropout(inputs=batch_layer2, rate=0.2)
            
            layer3 = tf.layers.conv2d(inputs=dropout_layer2, filters=16, kernel_size=[4,4], padding='same', activation=tf.nn.relu)
            batch_layer3 = tf.layers.batch_normalization(inputs=layer3, axis=-1)
            dropout_layer3 = tf.layers.dropout(inputs=batch_layer3, rate=0.2)
            
            flatten_layer3 = tf.layers.flatten(dropout_layer3)
            dense_layer4 = tf.layers.dense(inputs=flatten_layer3, units=1000, activation=tf.nn.relu)
            logits = tf.layers.dense(inputs=dense_layer4, units=500)
            return logits

使用示例：

with tf.Session() as sess:
    siamese_net = SiameseNet()
    net1 = siamese_net.model(x1)
    net2 = siamese_net.model(x2)
    
    # 后续损失、优化器和训练逻辑和之前一致
    loss = Loss(2)
    optimiser = tf.train.AdamOptimizer(learning_rate=0.01).minimize(loss.contrastive_loss(1, net1, net2))
    sess.run(tf.global_variables_initializer())
    
    for i in range(4):
        l = sess.run(loss.contrastive_loss(1, net1, net2))
        print(l)

如果完全不用变量作用域，创建两个SiameseNet实例时，TensorFlow会给每个实例的卷积核、偏置等变量自动分配不同的名称（比如第一个实例的卷积核叫conv2d/kernel，第二个叫conv2d_1/kernel），这意味着：

• 两个网络的权重完全独立，根本达不到孪生网络“共享特征提取能力”的核心要求；
• 模型参数数量直接翻倍，训练需要的计算资源、数据量也会翻倍，效率极低；
• 孪生网络的核心逻辑（让两个网络学习相同的特征表示，从而有效对比输入相似度）完全失效，训练出来的模型根本无法完成相似性匹配任务。

内容的提问来源于stack exchange，提问作者dodo