一句话定义
孪生网络（Siamese Network）是一类神经网络结构：用两个结构相同、权重共享的编码器分别处理两个输入，把它们各压成一个向量，再比较这两个向量有多相似。
关键在“共享权重”
打个比方。你要比较两个人的身高，一个用厘米尺量，一个用英寸尺量，两个数字放在一起没法比。孪生网络的做法是：同一个人、拿同一把尺子，先量 A 再量 B，读数才可比。
技术上它并没有真的训练两个网络。实现时通常只有一个编码器，把输入 A 和输入 B 分别喂进去（常组成一个批次并行计算），得到向量 a 和 b。因为用的是同一套参数，两个向量天然落在同一个向量空间里，距离才有意义。接着用距离函数衡量：欧氏距离越小越像，或者AI 词典：余弦相似度">余弦相似度越大越像。
训练靠成对样本。相似的一对（同一个人的人脸、同一个问题的两种问法）要被拉近，不相似的一对要被推远。常见损失函数有对比损失（contrastive loss）和三元组损失（triplet loss）——后者一次看三份：锚点、正样本、负样本，要求正样本比负样本离锚点更近。
和相邻概念的区别
最容易混的是双塔模型（two-tower model）。两者外形很像，差别在权重是否共享：孪生网络强调两侧参数完全一致；双塔模型允许两侧各自独立，典型场景是推荐系统里的用户塔和物品塔，用户特征与物品特征本来就不同，硬共享反而别扭。实践中边界并不严格，很多被称为“双塔”的结构其实就是共享权重的孪生网络。
与普通分类网络的区别更本质：分类网络回答“这是哪一类”，类别数在训练时就固定了；孪生网络回答“这两个像不像”，不需要事先知道有哪些类别，新类别直接比对即可，这也是它常被用在小样本场景的原因。
| 对比项 | 普通分类网络 | 孪生网络 |
|---|---|---|
| 输出 | 固定类别的概率 | 两个输入的相似度分数 |
| 参数 | 单套 | 两条分支共享同一套 |
| 遇到新类别 | 通常要重新训练 | 直接比对即可 |
| 训练数据形态 | 单样本 + 标签 | 成对或三元组样本 |
对实际工作的意义
人脸核验、指纹比对、以图搜图、语义检索、推荐召回，背后都可能有孪生结构。它的好处是“一次训练、到处比对”：只要能把对象编码成向量，新增数据不必重训模型。
两个常见坑。第一是忘了共享权重，两边各学各的，向量不在同一空间，距离就失去意义；第二是样本构造，正负对怎么配、难负样本怎么挖，往往比网络结构更影响最终效果。具体实现和超参数以官方文档与论文页面为准。
如果只记一句：孪生网络的价值不在于网络更深，而在于让两个输入落在同一把尺子下。