机器学习原理与应用电子教案 [5.10.5]深度学习[实践-孪生神经网络].docxVIP

备课日期：年月日

授课时间

课时（理论+实验）

周次

星期:节次:

授课课题

深度学习[实践-孪生神经网络]

教学目标

1.理解孪生神经网络基本原理。

2.掌握利用PyTorch框架实现孪生神经网络的基本方法。

教学重点

利用PyTorch框架实现孪生神经网络的基本方法。

教学准备

PPT、点名册等。

教学方法

指导阅读、案例法。

教学过程设计

备注

课题引入

【思考】人类如何区别相同的事物？

【关键】特征相似度。

【时间】分钟。

【主板书】§5.10.5孪生神经网络

---------------------------------------------------------------------------

一、基本原理

【主板书】基本原理

1.基本机制：孪生神经网络（Siameseneuralnetwork）是是基于两个神经网络建立的耦合构架。以两个样本为输入，输出其嵌入高维度空间的表征，以比较两个样本的相似程度。在监督学习范式下，孪生神经网络会最大化不同标签的表征，并最小化相同标签的表征。在自监督或非监督学习范式下，孪生神经网络可以最小化原输入和干扰输入（例如原始图像和该图像的裁减）间的表征。

2.孪生神经网络和伪孪生神经网络的适用场景区别：孪生神经网络用于处理两个输入比较类似的情况。伪孪生神经网络适用于处理两个输入有一定差别的情况。

3.孪生神经网络损失函数：常规的孪生神经网络使用ContrastiveLoss。

【强化与拓展】对比损失函数的形式（Y=1与Y=0的情况分析、阈值的含义）。

【PPT】展示对比损失函数。

【强化与拓展】孪生神经网络将样本的维度进行转换，在转换后的维度空间中的任意两样本：如果是相同类别，空间距离尽量接近；如果是不同类别，空间距离大于某个间隔。

【时间】分钟。

【提问】。

教学步骤及主要内容

二、编程实现

目的：比较两幅图片是否相似，或者说相似度是多少?

1.构造数据集

原则：将同一个类别图片文件放置一个文件夹中。

（1）两个重要的函数

Dataset类是Pytorch中图像数据集中最为重要的一个类，也是Pytorch中所有数据集加载类中应该继承的父类。

其两个私有成员函数必须被重载，否则将会触发错误提示：

__getitem__(self,index)

__len__(self)

其中__len__应该返回数据集的大小，而__getitem__接收一个index，然后返回图片数据和标签，这个index通常指的是一个list的index，这个list的每个元素就包含了图片数据的路径和标签信息。

（2）获取类别标签〖PPT〗演示

defget_label_from_image_path(image_path):

returnint(os.path.split(image_path)[0].split(\\)[-1])

（3）__getitem__与__len__函数的实现

classMyDataSet(Dataset):

def__init__(self,image_folder,transform=None,should_invert=True):

self.image_folder=image_folder#存放图片的文件夹

self.transform=transform#预处理

self.should_invert=should_invert#通道反转

self.image_list=glob.glob(self.image_folder+/*/*.jpg)#列表

def__getitem__(self,index):

same_class_yn=random.randint(0,1)#相似1或不相似0

im_1_path=random.choice(self.image_list)#随机选1幅图片

im_1_label=get_label_from_image_path(im_1_path)#图片标签

ifsame_class_yn:#抽取与im_1属于同一类的图片

whileTrue:

im_2_path=random.choice(self.image_list)

im_2_label=get_label_from_image_path(im_2_path)