TripletMarginLoss¶
- class torch.nn.TripletMarginLoss(margin=1.0, p=2.0, eps=1e-06, swap=False, size_average=None, reduce=None, reduction='mean')[source]¶
创建一个标准,用于根据输入张量 , , 和大于 的边距测量三元组损失。它用于测量样本之间的相对相似性。三元组由 a、p 和 n(即 锚点、正样本 和 负样本)组成。所有输入张量的形状应为 .
距离交换在 V. Balntas、E. Riba 等人发表的论文 使用三元组损失学习浅卷积特征描述符 中进行了详细描述。
小批量中每个样本的损失函数为
其中
范数使用指定的p值计算,并添加一个小的常数以保证数值稳定性。
另请参阅
TripletMarginWithDistanceLoss
,它使用自定义距离函数计算输入张量的三元组边缘损失。- 参数
margin (float, 可选) – 默认值:.
p (int, 可选) – 成对距离的范数度。默认值:.
eps (float, 可选) – 用于数值稳定性的小常数。默认值:.
swap (bool, 可选) – 距离交换在 V. Balntas、E. Riba 等人的论文 Learning shallow convolutional feature descriptors with triplet losses 中有详细描述。默认值:
False
。size_average (bool, 可选) – 已弃用(请参阅
reduction
)。默认情况下,损失在批次中的每个损失元素上取平均值。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
,则损失将针对每个小批量求和。当reduce
为False
时忽略。默认值:True
reduce (bool, 可选) – 已弃用(请参阅
reduction
)。默认情况下,损失根据size_average
在每个小批量的观测值上取平均值或求和。当reduce
为False
时,返回每个批次元素的损失,并忽略size_average
。默认值:True
reduction (str, 可选) – 指定要应用于输出的归约:
'none'
|'mean'
|'sum'
。'none'
:不应用任何归约,'mean'
:输出的总和将除以输出中的元素数量,'sum'
:输出将求和。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'
- 形状
输入: 或 ,其中 是向量维度。
输出: 如果
reduction
为'none'
且输入形状为 ,则为形状为 的张量;否则为标量。
示例
>>> triplet_loss = nn.TripletMarginLoss(margin=1.0, p=2, eps=1e-7) >>> 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()