孪生网络在tensorflow中必须使用函数式api，因其支持双输入与权重共享；需独立定义base_network并分别调用input_a、input_b；推荐余弦相似度+sigmoid输出，训练时须按序传入两个输入数组。
孪生网络在TensorFlow里必须用函数式API，不能用Sequential
因为Sequential模型不支持多输入、共享权重结构，强行套用会报ValueError: Input tensors to a Model must come from <code>tf.keras.layers.Input
函数式API是唯一能显式定义两个输入分支并让它们共用同一子模型的方式。核心思路是：先定义一个base_network（比如几层Dense或CNN），再分别对input_a和input_b调用它——Keras会自动复用参数，无需手动设置reuse=True（那是TF 1.x的老写法）。
共享子模型的定义要独立于输入，且不能带训练状态
常见错误是把Input直接塞进子模型定义里，导致两次调用生成两套不共享的层。正确做法是让base_network只接收张量、返回张量：
def create_base_network(input_shape):
inputs = tf.keras.Input(shape=input_shape)
x = tf.keras.layers.Dense(128, activation='relu')(inputs)
x = tf.keras.layers.Dropout(0.3)(x)
x = tf.keras.layers.Dense(128, activation='relu')(x)
return tf.keras.Model(inputs, x)
<p>base_network = create_base_network((784,)) # 注意：这里只传shape，不传具体tensor
input_a = tf.keras.Input(shape=(784,))
input_b = tf.keras.Input(shape=(784,))
processed_a = base_network(input_a) # 共享权重
processed_b = base_network(input_b) # 同一实例，自动复用</p>
如果在create_base_network里用了tf.Variable或tf.keras.layers.Layer以外的状态管理方式，会导致权重不一致。
L1距离+全连接输出层是默认选择，但cosine相似度更稳定
原始Siamese论文用L1距离，但实际训练中容易梯度爆炸；cosine相似度（范围[-1,1]）数值更平滑，收敛更快：
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
- 用
tf.keras.layers.Dot(axes=1, normalize=True)可直接算余弦相似度 - 若用L1，推荐接一层
Dense(1, activation='sigmoid')把距离映射到[0,1]，便于用binary_crossentropy - 避免直接用
tf.abs(processed_a - processed_b)后接大网络——中间特征维度高时，L1向量太稀疏，后续层难学习
最终输出层必须是单节点+sigmoid，损失函数固定为binary_crossentropy，标签为0（不同类）或1（同类）。
fit时必须传两个输入数组，顺序不能颠倒
数据准备阶段最容易出错：X_train必须拆成两个相同shape的数组，比如：
X_train_a = X_train[indices_a] # shape: (N, 784) X_train_b = X_train[indices_b] # shape: (N, 784) y_train = np.array([1 if label_a == label_b else 0 for ...]) # shape: (N,)
调用model.fit([X_train_a, X_train_b], y_train, ...)——注意是[X_a, X_b]这个list，不是tuple，也不是dict；顺序一旦和模型输入定义（input_a, input_b）不一致，特征对就乱了，模型学不到任何东西。
验证集同理，而且validation_data也要保持同样结构。批量内样本对的构造逻辑（正例/负例比例、采样策略）比模型结构本身更影响最终效果。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
