在以往对深度网络的认知当中，我们往往需要一个庞大的数据集来进行参数的回归训练，才能得到一个比较好的效果。
但是在人脸识别的应用当中，往往使用到的都是一次学习，也就是说只通过1张图片，就能判读这个人是不是我们要的那个人。这个一张照片指的是训练集当中只有一张，而且识别的时候也只有1张。
那么我们现在如果要对办公室里的四个人进行一个人脸识别的话，我们要怎么做呢？
如果按照我们之前学习的方法的话，我们一般会将4张图片的放到一个训练集当中，然后把要测试的图片经过卷积网络之后生成应该softmax分类器，对应的是其中的某一个人，或者都不是（5个选项）。
这样做的几个问题：
1.单张图片的深度学习效果很不好，不适合这么做。
2.如果新加入一个员工，那么又要重新设置训练集，重新训练网络，也不是一个很好地选择。
有没有什么其他的办法呢？
在这里我们可以使用一个similarity函数，这个函数评估的是两张图片的差异程度。如果放入同一个人的两张图片，你会希望它输出一个很小的值。
我们会设置一个阈值T，如果这个差值大于T，则我们认为这两张图片不是同一人，如果小于T，则认为是同一个人。
因此在这里我们需要训练的是Similarity函数，这个similarity需要做的就是，输入两个图片，输出它的差异值，若差异值小于一定的值，则认为是同一个人，若大于这个值，则认为是不同的人。
