深度学习函数库TensorFlow提供相似性（Similarity）功能，这是一个Python组件，让TensorFlow开发者可以简单地训练相似性模型，开发推荐相似衣服，或是识别当前播放歌曲等系统。官方提到，TensorFlow Similarity用起来相当简单，在MNIST资料上训练、索引和搜索的小范例，只要不用20行程序代码就可以完成，而且即便使用次优模型，搜索和配对结果仍然相当好。
寻找相似物品的能力，在现实世界中有各种应用，像是多媒体搜索、推荐系统或是分类工作管线等，能够快速检索相关项目，是这类信息系统的重要核心功能，TensorFlow Similarity如同其他这类系统，同样使用对比学习（Contrastive Learning）技术，官方解释，对比学习教模型学会一个嵌入空间，在这空间中相似的样本很近，不同的样本则很远，属于同一类的会被拉进在一起，不同的则被分离开来。
对比学习应用在整个人信息料集的时候，对比损失让模型可以学习，将对象投影到嵌入空间中的方法，方便以嵌入之间的距离，来代表输入样本的相似程度。在训练结束后，开发者就能够获得一个分类空间，相似的对象距离很近，不同则距离很远。
接着对所有想要搜索的项目嵌入构建一个索引，在查询时，TensorFlow Similarity就能够利用快速最相似邻近搜索（Fast Approximate Nearest Neighbor），在次线性时间内，从索引中检索最接近的相符项目。由于TensorFlow Similarity能够借由计算嵌入点的距离，就可以比对相似度，而距离度量满足三角不等式，使得空间适合使用快速最相似邻近搜索，进行高准确度检索。
官方解释，其他像是使用模型特征截取的方法，需要使用精确的最邻近搜索（Nearest Neighbor Search，NNS），寻找相关的项目，但是又可能不如相似模型一样精确，而且因为执行精确搜索，需要花费搜索索引平方次的时间，因此不适合大规模应用。TensorFlow Similarity内置最相似邻近搜索索引系统依赖NMSLIB，能够搜索数百万个索引项目，并在数分之一秒内检索前K项相似项目。
除了准确性和检索速度的优势之外，相似性模型的另一个主要优势，是可以让开发者在索引添加无限数量的新类别，而不需要重新训练，只需要计算新类别中代表性项目的嵌入，并加到索引中就可以了，官方提到，这种动态添加新类别的能力，在解决未知且不断变化的问题时特别有用，像是音乐应用能够协助用户，不断发现喜欢的新歌曲。
TensorFlow Similarity提供所有必要的组件，让开发者能够主动地进行相似性训练评估和查询，在本机支持上，TensorFlow Similarity添加了一种新的Keras模型SimilarityModel，支持本机嵌入索引和查询，供开发者快速地执行端到端训练和评估。
TensorFlow Similarity支持Keras API，并且可使用现有Keras架构，官方表示，他们还会继续发展TensorFlow Similarity，在现有基础上，支持BYOL、SWAV和SimCLR等半监督式和自我监督方法。