孪生网络两个分支通过共用同一子网络实例实现权重共享，即只定义一个self.branch，前向时分别调用self.branch(x1)和self.branch(x2)；若定义两个独立实例则参数不共享，失去孪生意义。
孪生网络里两个分支怎么共享权重？
PyTorch 中实现参数共享，核心不是“复制参数”，而是让两个子网络实例指向同一组 nn.Module 对象。常见错误是分别定义两个 SiameseBranch() 实例——这会导致参数不共享，反向传播时梯度各自更新，完全失去孪生意义。
正确做法是只定义一个分支模型（比如 self.branch = SiameseBranch()），然后在前向时对两个输入分别调用它两次：
def forward(self, x1, x2):
feat1 = self.branch(x1) # 共享参数
feat2 = self.branch(x2) # 同一模块，同一参数
return torch.abs(feat1 - feat2)
注意：不能写成 self.branch1(x1); self.branch2(x2)，哪怕两个分支类完全一样，只要实例不同，参数就独立。
对比损失（ContrastiveLoss）怎么写才不崩？
PyTorch 没有内置的 ContrastiveLoss，手写时最容易出错的是对 label 和距离的处理逻辑。标签必须是 0（负样本对）或 1（正样本对），且 loss 表达式要严格按公式：
loss = (1 - y) * d² + y * max(0, margin - d)²
常见坑：
-
y必须是float类型（不是long），否则乘法报错 - 距离
d应该是 L2 距离（torch.norm(feat1 - feat2, dim=1)），不是余弦相似度 -
margin建议设为 1.0～2.0；太小会导致负样本对无法推开，太大则训练初期 loss 爆涨
简版实现：
class ContrastiveLoss(nn.Module):
def __init__(self, margin=1.0):
super().__init__()
self.margin = margin
<pre class="brush:php;toolbar:false;"><pre class="brush:php;toolbar:false;">def forward(self, dist, label):
label = label.float()
loss = (1 - label) * dist ** 2 + label * torch.relu(self.margin - dist) ** 2
return torch.mean(loss)数据加载时如何配对？
孪生网络的输入不是单张图，而是一对（anchor, positive/negative）。不能用普通 DataLoader
推荐方式是自定义 Dataset，在 __getitem__ 中动态采样：
- 正样本对：从同一类别中随机取两张不同图像（需确保索引不重复）
- 负样本对：从不同类别中各取一张
- 标签用
torch.tensor([1])或[0]，保持 shape 一致（如(batch_size, 1)）
如果直接读预生成的配对文件（如 CSV 列出 img_a,img_b,label），更稳妥——避免在线采样引入数据泄露或类别偏差。
训练时梯度更新会不会冲突？
不会。因为两个分支共用同一组参数，反向传播时来自 feat1 和 feat2 的梯度会自动累加到同一个参数上（PyTorch 默认行为），等价于对组合 loss 求导。这是 PyTorch 自动求导机制的自然结果，无需额外干预。
但要注意：如果你手动调用 optimizer.zero_grad() 后又分两次 loss1.backward() 和 loss2.backward()，必须确保它们基于同一计算图分支——否则会报 RuntimeError: Trying to backward through the graph a second time。正确姿势永远是单次 total_loss.backward()。
真正容易被忽略的是特征维度对齐：两个分支输出的 feat1 和 feat2 必须形状完全一致（如都是 [B, 128]），否则 torch.norm(feat1 - feat2, dim=1) 会静默广播出错，loss 值异常但不报错。
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！
