Problem

一：输入阶段 在真实的物理内存里，权重表 $W$只有唯一的一套。 CPU 绝对不会傻到去复制两份一模一样的 $W$ 来浪费宝贵的显存。 那么，既然只有一套权重表 $W$，怎么做到“同时跑两张图”的呢？ 传统网络： 跑法极其简单：1 张图片输入 $\rightarrow$ 前向计算 $\rightarrow$提取特征 $\rightarrow$ 结果。 孪生网络： 无论“先算 A 再算 B”还是“先算 B 再算 A”都不对，而是Batching（批处理）。 CPU 会在AB输入前，把 A 和 B 像双面胶一样“粘”在一起，叠成Batch Size = 2。然后一次性送进同一个网络做前向计算。 GPU在并行处理 A 和 B 两张图，A 和 B 都经过同一个网络、同一组权重 W（权重共享）。 二：末端输出到底是什么 无论是传统分类网络还是孪生网络，在主干特征提取阶段的末端，都会把输入图像编码为一个固定长度的向量（例如 512 维）： $${f}\in \mathbb{R}^{512}$$ 这是一组浮点数（如 $[0.8,-1.2,3.4,\dots]$），可理解为图像在特征空间中的表示。 两类网络的关键差异，出现在这一步之后。 1）传统分类网络：从特征向量到类别分数 在传统识别模型中，512 维特征通常还要经过一个全连接分类层（Linear/FC）： $logits = Wf + b,\quad logits \in \mathbb{R}^N$ 其中 \(N\) 是类别总数（如 10,000 人）。 这一步输出的是长度为 \(N\) 的logits（未归一化分数）； 经过 Softmax 后得到每个类别的概率分布（总和为 1）； 最终常用 argmax取最大概率对应的类别 ID，再由业务字典映射成人名/工号。 严格地说，模型本身输出的是数值向量，不直接输出“张三”这样的文本标签。 标签解释是后处理程序完成的。 ...