孪生网络是一种深度学习架构，旨在通过相同的神经网络处理两个输入并衡量它们的相似性来比较这两个输入。它由两个或更多子网络（通常称为“双胞胎”）组成，这些子网络共享相同的参数和权重，确保使用相同的特征提取逻辑转换两个输入。网络为每个输入输出嵌入（数值表示），并在它们之间计算相似性得分，例如使用余弦相似度或欧氏距离。这种方法特别适用于数据点对之间的关系比单个分类更重要的任务，例如人脸验证、签名匹配或检测重复文本。
训练孪生网络通常涉及成对或三元组数据。例如，在人脸识别中，网络可能会接收两张图像：一张“正向”对（同一人）和一张“负向”对（不同人）。目标是最小化相似对嵌入之间的距离，同时最大化不相似对嵌入之间的距离。对比损失或三元组损失等损失函数会强制实现这种行为。例如，三元组损失使用一个锚点、一个正例（与锚点同类）和一个负例（与锚点不同类），调整权重以使锚点比负例更接近正例，并保持一定裕度。这种设置允许网络学习有意义的特征，而无需为每个可能的输入提供带标签的类别数据，这使得它对于带标签数据有限的场景非常高效。
开发者经常在需要单样本或少样本学习的场景中使用孪生网络。例如，在文档去重中，网络可以比较两个文本嵌入来检测重复项，而无需对每个新文档进行重新训练。在目标跟踪中，它可以在视频帧之间匹配目标特征。一个实际的优势是能够预计算常用数据（例如用户的脸部）的嵌入，从而减少推理时间。在 PyTorch 或 TensorFlow 等框架中实现孪生网络涉及创建共享层的“双胞胎”子网络，然后结合自定义损失函数。例如，在 PyTorch 中，您可以定义一个单一的神经网络模块并将两个输入都通过它，然后计算相似性得分。这种设计避免了冗余代码，并确保了两个输入的一致特征提取，这使得它对于比较任务而言具有可伸缩性和高效性。