度量學習（metric learning），也稱距離度量學習(distance metric learning，dml) 屬於機器學習的一種。其本質就是相似度的學習，也可以認為距離學習。因為在一定條件下，相似度和距離可以相互轉換。比如在空間座標的兩條向量，既可以用余弦相似度的大小，也可以使用歐式距離的遠近來衡量相似程度。
常見的人臉識別與聲紋識別都屬於度量學習。
一般的度量學習包含以下步驟：
encoder編碼模型：用於把原始資料編碼為特徵向量（重點如何訓練模型）
相似度判別演算法：將一對特徵向量進行相似度比對（重點如何計算相似度，閾值如何設定）
通過使用大量資料集進行網路模型訓練。使編碼模型可以實現對原始資料提取特徵向量的功能。
基於深度學習的度量學習演算法中，可以分為兩個流派：
網路設計派：代表孿生神經網路（siamese network）
損失改進派：代表 xx-softmax
本文主要講整體開發流程，具體細節請自行查閱。
通過對編碼模型訓練，得到了具備提取特徵的encoder模型，讓原始資料通過encoder模型就可以對應特徵向量：
x = encoder(row)
下面就是利用這個encoder模型，作為特徵提取器，進行相似度判別。
在第一步（1.編碼模型訓練）完成後，獲得了具備特徵提取的編碼模型，就可以利用此encoder網路進行驗證系統開發。
首先要對在第一步得到的編碼模型進行效能測試。步驟如下：
使用測試資料生成測試對，需要保證盡量隨機取對和正負資料平衡，同一種標籤為1，不同種為0
使用編碼模型得到所有特徵向量
根據測試對的特徵向量計算相似度，可選余弦距離度/歐式距離
根據測試對的相似度與標籤，設定合理閾值範圍，解析度取0.0001，遍歷閾值計算 far（錯誤接受率）frr（錯誤拒絕率），兩者相等得到eer（等錯誤概率），此時的閾值也是較優閾值。（也可以使用類似方法驗證準確率）
通過上述步驟就可以獲得模型的識別效能和應用閾值。
如若想提高閾值的泛化能力，可以採用測試與驗證的方法計算閾值：
將測試對分為10組，用來確定閾值並驗證精讀。
使用其中1組，同種判斷錯誤和不同種判定錯誤的個數。
選擇錯誤個數最少的那個閾值，用剩餘9組，判斷識別精度。
步驟2和3執行10次，將每次3獲取的精度進行累加並求平均，得到最終判定精度。記錄下精度最高的那次的閾值，記為最優閾值
1.
深度應用 一文搞懂深度學習人臉識別模型開發流程
度量學習 metric learning 也稱距離度量學習 distance metric learning，dml 屬於機器學習的一種。其本質就是相似度的學習，也可以認為距離學習。因為在一定條件下，相似度和距離可以相互轉換。比如在空間座標的兩條向量，既可以用余弦相似度的大小，也可以使用歐式距離的遠...
一文搞懂python中的is和 （深度解析）
python中的is用於比較物件的識別符號是否相等。是比較值是否相等。物件的識別符號可以簡單地理解成物件的記憶體位址，在生命週期中是固定不變的。id 可以得到物件識別符號的整數表示。示例如下 person1 person2 person3 person1 輸出各個字典物件的識別符號，系統不同，得到的...
一文讀懂深度學習時序分析
作者 prakhar ganesh 編譯 安然 圖靈topia 近日，發表在 datascience 上的一篇文章，使用深度學習方法，從資料處理 迴圈網路 rnn上的lstm cnn lstms等方面介紹了時間序列分析，同時解釋了時間序列的概念以及為什麼選擇深度學習的方法等問題。什麼是時間序列分析？...