快捷方式

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 x1x1, x2x2, x3x3 和大于 00 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 apn(即 锚点正样本负样本)组成。所有输入张量的形状应为 (N,D)(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(ai,pi)d(ai,ni)+margin,0}L(a, p, n) = \max \{d(a_i, p_i) - d(a_i, n_i) + {\rm margin}, 0\}

其中

d(xi,yi)=xiyipd(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ε\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:11.

  • p (int, 可选) – 成对距离的范数度。默认值:22.

  • eps (float, 可选) – 用于数值稳定性的小常数。默认值:1e61e-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 reduceFalse 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 reduceFalse 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_averagereduce 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)(N, D)(D)(D),其中 DD 是向量维度。

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

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取针对初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源