TripletMarginLoss

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

创建一个标准，用于根据输入张量 $x1$, $x2$, $x3$ 和大于 $0$ 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 $(N, D)$.

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

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

其中

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

范数使用指定的p值计算，并添加一个小的常数$\varepsilon$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：$1$.

• p (int, 可选) – 成对距离的范数度。默认值：$2$.

• eps (float, 可选) – 用于数值稳定性的小常数。默认值：$1e-6$.

• 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: $(N, D)$ 或 $(D)$，其中 $D$ 是向量维度。

• 输出: 如果 reduction 为 'none' 且输入形状为 $(N, D)$，则为形状为 $(N)$ 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()