고양이-코끼리 쌍의 경우 신경망은 비슷하지 않은 임베딩을 만들어야 합니다. 이런 식으로 신경망이 작은 차이나 잡음에는 영향을 받지 않고 이미지의 핵심 콘텐츠를 감지하도록 강제합니다. 예를 들어 가장 간단한 대조 손실은 모델 M(·)이 생성한 임베딩 사이의 L2 노름(norm)(유클리드 거리(Euclidean distance))입니다. ||M(고양이1)-M(고양이2)||2 거리를 줄이고 ||M(고양이)-M(코끼리)||2 거리를 증가시키도록 모델 가중치를 업데이트합니다.
그림 2-6은 마스킹된 이미지를 사용하는 경우 대조 손실의 핵심 개념을 요약한 것입니다. 가중치를 공유하는 2개의 모델을 사용하며, 이를 샴 네트워크(siamese network)라고 부릅니다. 동일한 모델을 사용하여 먼저 원본 훈련 샘플의 임베딩을 생성하고, 그다음 마스킹된 버전의 샘플로 임베딩을 생성합니다.