TripletMarginLoss¶
- class torch.nn.TripletMarginLoss(margin=1.0, p=2.0, eps=1e-06, swap=False, size_average=None, reduce=None, reduction='mean')[source][source]¶
创建一个准则,该准则根据输入张量 、、 和一个大于 的边界值(margin)来度量三元组损失(triplet loss)。这用于度量样本之间的相对相似性。一个三元组由 a、p 和 n 组成(分别表示 锚点(anchor)、正例(positive examples) 和 负例(negative examples))。所有输入张量的形状应为 。
距离交换(distance swap)在 V. Balntas、E. Riba 等人的论文 Learning shallow convolutional feature descriptors with triplet losses 中有详细描述。
小批量数据中每个样本的损失函数为
其中
范数是使用指定的 p 值计算的,并添加了一个小的常数 以提高数值稳定性。
另请参阅
TripletMarginWithDistanceLoss
,该类使用自定义距离函数计算输入张量的三元组边界损失。- 参数
margin (float, optional) – 默认值: 。
p (int, optional) – 成对距离的范数阶数。默认值: 。
eps (float, optional) – 用于数值稳定性的小常数。默认值: 。
swap (bool, optional) – 距离交换(distance swap)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, optional) – 已弃用(参见
reduction
)。默认情况下,损失会按批次中每个损失元素进行平均。注意,对于某些损失,每个样本可能包含多个元素。如果将字段size_average
设置为False
,则损失将改为对每个小批量数据求和。当reduce
为False
时忽略此参数。默认值:True
reduce (bool, optional) – 已弃用(参见
reduction
)。默认情况下,损失会根据size_average
对每个小批量数据中的观测值进行平均或求和。当reduce
为False
时,将返回每个批次元素的损失,并忽略size_average
。默认值:True
reduction (str, optional) – 指定应用于输出的归约(reduction)方式:
'none'
|'mean'
|'sum'
。'none'
: 不应用归约,'mean'
: 输出总和除以输出中的元素数量进行平均,'sum'
: 对输出求和。注意:size_average
和reduce
正在弃用过程中,在此期间,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()