最间接的，训练数据以“图片对”（image pair）爲单位，标签是类似度，把这样的数据输出神经网络，最终网络模型可以回归出输出图片对的类似度；于是第二个步骤来了，怎样样给训练数据打上类似度？手工标注。有没有更精确的、更快的呢？有，用深度学习模型来标注两张图像的类似度，怎样做的？看成绩描绘加上步骤1就行。流程递归，卡死了，无解。既然步骤1外面“最间接的”不可以，那就直接来处理。转入步骤4直接来说，我们既然不晓得如何精确标注详细的、取值区间在0～1的延续的类似度，那麼粗糙一些，标注团圆的类似度：0表示不像，1表示很像。比方把英短猫和美短猫组成的图片对标注成1，英短猫和哈士奇组成的图片对标注成0，损失函数运用逻辑回归这种soft的概率回归方式，就可以了。只需图片对的标注足够充沛，效果就会很棒。后面有答主答复的Siamese Network就是这样的。这样子做，我们有了一个基于二分类的网络、输入类似度的模型。但是成绩又来了，假如结构一个充沛的训练集，要给一千种、每种有好多张图片的数据两两之间标注0和1，这是一件很可怕的事情：假如你每种图有100张，总共有10万张图片，那麼可以构成 C1000002C_{100000}^2 这麼多的图片对，显然这基本很难训练完成，更何况10万的数据集曾经是一个很小的数据集了。那麼再直接一些，不必0和1表示像与不像了，用0, 1, 2, 3, 4...999，表示一千种不同的类，把只要两种分类的逻辑回归损失函数，换成有n种分类的softmax损失函数。这样子，实际上softmax给每个类一个“中心”，每个中心都是一个高维向量，每个类的中心都和其他的类中心尽量的“不像”，用数学来说就是余弦越小。然后呢，我们让同一类的图像，尽量往本人的中心上去靠，靠的越近、越紧，就越好。这样子，美短猫都严密勾结在美短猫的中心上去了，哈士奇都严密勾结再哈士奇的中心上去了。训练完毕，“最美短猫”的美短猫离本人的中心靠的最近，“不那麼美短猫”的美短猫间隔美短猫中心靠的比拟远，而哈士奇离美短猫中心靠的就很远很远了，离本人的中心比拟近。这样的就比拟好能处理我们的成绩了。输出了图像，我们能失掉图像的一个特征向量，输出另一个图像失掉另一个特征向量，用余弦函数比比他们的间隔，类似度就有了。后面有答主说的用imagenet上pretrain模型，运用两张图的最初隐层的向量输入，求余弦做类似度就是这个道理。然后就失掉了用深度学习判别两张图片类似度的办法。更初级的知识，请深退学习metric learning和深度学习结合的相关知识。