假设您的特征位于空间中，例如您的输入是一张像素的图片，那么将是。$R^n$$28 \times 28$$n$$28 \times 28 = 784$

现在您可以将您的功能“嵌入”到另一个空间中，通常是。通过这种方式，您可以了解输入的丰富表示。当您将输入像素压缩到倍以上，并且可以消除冗余/无用的特征。$R^d$$d < n$$784$$64$$10$

这种嵌入学习当然是以这样一种方式完成的，即您可以从压缩像素$784$$64$

嵌入是从离散对象（例如单词）到实数向量的映射。

-张量流/嵌入

参考FaceNet论文，我应该说这里的嵌入只是指通过对图像执行前向传播获得的张量。然后将获得的图像嵌入和目标图像进行比较，以找出图像之间的接近度。方程指定的损失函数$L=\sum_{i}^N [ ||f(x_i^a)-f(x_i^p)||_2^2-||f(x_i^a)-f(x_i^n)||_2^2+\alpha]_+$这里简单地用来求生成的anchor的embedding，前向传播得到的正负图像之间的欧式距离。这种技术也称为连体网络。

我建议您阅读完整的原始FaceNet论文，以便更清楚地了解 FaceNet 架构和工作原理。