Created by: rulai-huiyingl

网络：siamese网络。给定一对输入，分别放入一个相同的网络，得到两个不同的embedding,然后求两个embedding的相似度（和recommender system的例子相似只不过两个不同输入穿过相同的网络得到不同输出）。 使用paddle 0.10.0.

问题：

1. 用下面这个网络算相似度的时候 cosine layer算出来不论输入如何结果都是１（是５如果scale=5）。　如果不把两个fｃ用同样的名字就没这个问题。

def main():
    ##some initialization & get input here
    ##input1 and input2 each is a dense float number vector(e.g. word embedding)

    fc1_o1 = paddle.layer.fc(input=input1,
                             size=hidden_size,
                             name="fc1")
    fc1_o2 = paddle.layer.fc(input=input2,
                             size=hidden_size,
                             name="fc1")    ##Here the parameter names are the same
  
    cosine_sim = paddle.layer.cos_sim(a=fc1_o1, b=fc1_o2, size=1, scale=5)
    y = paddle.layer.data(name='similarity', type=paddle.data_type.dense_vector(1))
    loss = paddle.layer.mse_cost(input=cosine_sim, label=y)
    parameters = paddle.parameters.create(loss)

我是在训练程序运行的时候设置pdb断点并且infer想观察的变量来观察网络的输出。这里抓取了fc1_o1（v1）和fc1_o2（v2）(两个直接输入到paddle.layer.cos_sim的变量)，以及算出来的cosine值。作为比较我自己另外单独用scipy给v1和v2算了cosine 相似度

    if isinstance(event, paddle.event.EndIteration):
        v1 = paddle.infer(output_layer=fc1_o1,
                                  parameters=parameters,
                                  input=test_data[:1],
                                  feeding=infer_feed)
        v2 = paddle.infer(output_layer=fc1_s2,
                                  parameters=parameters,
                                  input=test_data[:1],
                                  feeding=infer_feed)
        cos = paddle.infer(output_layer=cosine_sim,
                                  parameters=parameters,
                                  input=test_data[:1],
                                  feeding=infer_feed)
        pdb.set_trace()    #python hangs up here and I check the values

十分困惑的是，看到的v1和v2变量是不同的（我的例子里大概0.8的相似度），不过paddle.layer.cosine算出来是１......照理说如果v1 v2infer出来不同，那么网络的设置应该是对的。但是为什么cosine layer仿佛一直在算两个一模一样的输入的相似度呢？

２.　有没有更方便合理的打印变量值的方法？　

十分感谢！