Keras 在图像相似性神经网络的训练过程中，L1距离将如何使用？

我正在实现一个神经网络，它可以发现两幅图像之间的相似性，无论它们是否相似

参考：

每个示例都包含

（[image\u 1，image\u 2]，label）

。其中，如果标签相似，则标签的值为

0

，如果标签不相似，则标签的值为

1

网络convnet由一系列卷积和池层组成，并输出一个特征向量

在实现中，他们计算编码之间的L1距离，并为最终决策添加一个密集层

encoded_l = convnet(left_input)
encoded_r = convnet(right_input)

# Getting the L1 Distance between the 2 encodings
L1_layer = Lambda(lambda tensor:K.abs(tensor[0] - tensor[1]))

# Add the distance function to the network
L1_distance = L1_layer([encoded_l, encoded_r])

prediction = Dense(1,activation='sigmoid')(L1_distance)
siamese_net = Model(inputs=[left_input,right_input],outputs=prediction)

我想要的答案是：

• 如何在网络培训期间使用此L1距离

• 除了L1距离之外，还有哪些选项可用于测量两种编码之间的相似性

我希望如果我能得到这些答案，我可以根据我的要求调整网络