有几种方法可以解决这个问题：

1. 小事一桩

您可以首先通过简单地使用 numpy 的函数来检查图像是否相同，numpy.array_equal(A, B)或者numpy.allclose(A, B)。两个图像存储为 numpy 数组的位置和A位置。B

要检查图像在语义上是否相似，您需要计算相似度度量。首先让我备份一下...

2. 潜在表征

在深度学习中，我们可以在潜在空间中表示图像、录音、文本等数据。这是一个不可观察（“非真实”）的空间，我们试图捕捉数据的本质。对于单词，我们可能会创建一个 300 维的向量，该向量应该对给定单词所代表的信息进行编码。对于图像，我们可以使用Auto Encoder。

这个想法是将图像提炼成一个真正包含图像中所有核心信息的矩阵。这将是您对图像的潜在表示，这是您比较图像的地方。这是这种模型的示意图，其中中间的“瓶颈”是您实现输入图像的密集表示的地方：

通过尝试将压缩的中间部分扩展为与输入数组（输入图像）相同的数组，对模型进行端到端训练。

您通过仅通过训练模型的前半部分（即仅编码器）运行它们来创建要比较的两个图像的潜在编码表示，并计算结果数组之间的距离或相似性度量。您也许可以使用简单的余弦相似度（扁平数组），甚至只使用$L_2$ 范数（平方差之和）。

希望所有这些都为您提供足够的指导和关键字来找到相关的教程:-)