Python PyTorch TripletMarginLoss用法及代码示例

本文简要介绍python语言中 torch.nn.TripletMarginLoss 的用法。

用法:

class torch.nn.TripletMarginLoss(margin=1.0, p=2.0, eps=1e-06, swap=False, size_average=None, reduce=None, reduction='mean')

参数：

• margin(float,可选的) -默认值：1。

• p(int,可选的) -成对距离的范数。默认值：2。

• swap(bool,可选的) -V. Balntas、E. Riba 等人在论文Learning shallow convolutional feature descriptors with triplet losses 中详细说明了距离交换。默认值：False。

• size_average(bool,可选的) -已弃用(请参阅reduction)。默认情况下，损失是批次中每个损失元素的平均值。请注意，对于某些损失，每个样本有多个元素。如果字段 size_average 设置为 False ，则会对每个小批量的损失求和。当 reduce 为 False 时忽略。默认值：True

• reduce(bool,可选的) -已弃用(请参阅reduction)。默认情况下，根据 size_average 对每个小批量的观察结果进行平均或求和。当 reduce 是 False 时，返回每个批次元素的损失并忽略 size_average 。默认值：True

• reduction(string,可选的) -指定要应用于输出的缩减：'none' | 'mean' | 'sum' 。 'none' ：不应用减少，'mean'：输出的总和将除以输出中的元素数，'sum'：输出将被求和。注意：size_average 和 reduce 正在被弃用，同时，指定这两个参数中的任何一个都将覆盖 reduction 。默认值：'mean'

在给定输入张量 x1 、 x2 、 x3 和大于 0 的边距的情况下，创建一个衡量三元组损失的标准。这用于测量样本之间的相对相似性。三元组由a、p和n(即分别为anchor、positive examples和negative examples)组成。所有输入张量的形状应该是 (N, D) 。

距离交换在论文中有详细说明学习具有三重损失的浅卷积特征说明符由 V. Balntas、E. Riba 等人撰写。

小批量中每个样本的损失函数为：

L(a, p, n) = \max \{d(a_i, p_i) - d(a_i, n_i) + {\rm margin}, 0\}

其中

d(x_i, y_i) = \left\lVert {\bf x}_i - {\bf y}_i \right\rVert_p

另请参见 TripletMarginWithDistanceLoss ，它使用自定义距离函数计算输入张量的三元组边距损失。

形状：

• 输入：(N, D) 或 (D) 其中 D 是向量维度。

• 输出：形状为 (N) 的张量，如果 reduction 是 'none' 并且

  输入形状为 (N, D) ；否则为标量。

例子：

>>> triplet_loss = nn.TripletMarginLoss(margin=1.0, p=2)
>>> anchor = torch.randn(100, 128, requires_grad=True)
>>> positive = torch.randn(100, 128, requires_grad=True)
>>> negative = torch.randn(100, 128, requires_grad=True)
>>> output = triplet_loss(anchor, positive, negative)
>>> output.backward()