你有沒有在你要判斷兩句話是不是同一句意思，或兩張照片是不是同一個人，發現只看表面常常不夠？
你可以把它想成兩條共用權重的神經網路，分別看兩個輸入，再比較它們有多像。
很多任務不是要直接分到類別，而是要先量相似度，連體網路很適合做這件事。
容易混淆
傳統分類模型 傳統分類模型像個單一的鑑定專家，負責辨識「這是誰？」。 連體神經網路則像個比較專家，它不是直接分類，而是判斷「這兩個人有多像？」或「這兩張照片是不是同一個人？」，更專注於關係比較。
最關鍵的區別：先看它是在比意思、比結構，還是在做任務輸出。
記住這句就好
兩邊一起學、最後比相似度，就是連體神經網路。
實際案例
重複問句檢測要判斷「怎麼退貨」和「退貨流程是什麼」是不是同一類問題。 人臉驗證要比對兩張臉是否屬於同一個人，而不是直接分到某個固定類別。
算法與應用
兩個分支通常共享參數，先把輸入編成 embedding，再用距離或相似度判斷。 訓練時常搭配 contrastive loss 或 triplet loss。
情境判斷
Q1（直覺題）： 如果你只有成對資料，沒有很多固定類別標籤，這種架構有幫助嗎？
→ 有。它本來就很適合做成對比較，而不是硬做多分類。
Q2（判斷題）： 如果你要分辨「這是貓、那是狗」，還需要它嗎？
→ 不一定。看情況，直接分類模型會更簡單。
常見問題
連體神經網路與傳統神經網路有何不同？
連體神經網路與傳統神經網路的主要區別在於其架構和訓練方式。連體神經網路包含兩個或多個共享權重的相同神經網路，而傳統神經網路通常只包含一個神經網路。連體神經網路的訓練目標是學習一個嵌入空間，而傳統神經網路的訓練目標是預測一個輸出。
如何選擇連體神經網路的損失函數？
選擇連體神經網路的損失函數取決於具體的應用場景。常用的損失函數包括對比損失、三元組損失和交叉熵損失。對比損失適用於二元分類問題，三元組損失適用於排序問題，交叉熵損失適用於多類分類問題。需要根據任務特性選擇最適合的損失函數。
連體神經網路的嵌入向量維度應該如何選擇？
嵌入向量的維度是一個超參數，需要根據具體的應用場景進行調整。較高的維度可以提供更豐富的特徵表示，但也可能增加計算複雜度。較低的維度可以降低計算複雜度，但也可能損失一些信息。通常，可以通過實驗來找到最佳的嵌入向量維度。