TripletMarginWithDistanceLoss¶
- class torch.nn.TripletMarginWithDistanceLoss(*, distance_function=None, margin=1.0, swap=False, reduction='mean')[源代码]¶
创建一个标准,根据输入张量 、 和 (分别表示锚点、正样本和负样本)以及一个非负实值函数(“距离函数”),用于计算锚点和正样本之间的关系(“正样本距离”)以及锚点和负样本之间的关系(“负样本距离”),来衡量三元组损失。
未简化的损失(即,将
reduction
设置为'none'
)可以描述为其中 是批次大小; 是一个非负实值函数,用于量化两个张量的接近程度,称为
distance_function
; 是一个非负边距,表示损失为 0 所需的正距离和负距离之间的最小差异。输入张量每个都有 个元素,并且可以是距离函数可以处理的任何形状。如果
reduction
不是'none'
(默认值为'mean'
),则另请参阅
TripletMarginLoss
,它使用 距离作为距离函数,计算输入张量的三元组损失。- 参数
distance_function (Callable, optional) – 量化两个张量之间接近程度的非负实值函数。如果未指定,将使用 nn.PairwiseDistance。默认值:
None
margin (float, optional) – 一个非负边距,表示损失为 0 所需的正距离和负距离之间的最小差异。较大的边距会惩罚负样本相对于正样本而言,与锚点之间的距离不够远的情况。默认值:.
swap (bool, optional) – 是否使用论文 Learning shallow convolutional feature descriptors with triplet losses 中描述的距离交换方法,由 V. Balntas、E. Riba 等人撰写。如果为 True,并且如果正样本比锚点更靠近负样本,则在损失计算中交换正样本和锚点。默认值:
False
.缩减 (str, 可选) – 指定要应用于输出的(可选)缩减:
'none'
|'mean'
|'sum'
。'none'
:不应用任何缩减,'mean'
:输出的总和将除以输出中的元素数量,'sum'
:输出将被求和。默认值:'mean'
- 形状
输入: 其中 代表距离函数支持的任何数量的附加维度。
输出:如果
reduction
为'none'
,则形状为 的张量,否则为标量。
示例
>>> # Initialize embeddings >>> embedding = nn.Embedding(1000, 128) >>> anchor_ids = torch.randint(0, 1000, (1,)) >>> positive_ids = torch.randint(0, 1000, (1,)) >>> negative_ids = torch.randint(0, 1000, (1,)) >>> anchor = embedding(anchor_ids) >>> positive = embedding(positive_ids) >>> negative = embedding(negative_ids) >>> >>> # Built-in Distance Function >>> triplet_loss = \ >>> nn.TripletMarginWithDistanceLoss(distance_function=nn.PairwiseDistance()) >>> output = triplet_loss(anchor, positive, negative) >>> output.backward() >>> >>> # Custom Distance Function >>> def l_infinity(x1, x2): >>> return torch.max(torch.abs(x1 - x2), dim=1).values >>> >>> triplet_loss = ( >>> nn.TripletMarginWithDistanceLoss(distance_function=l_infinity, margin=1.5)) >>> output = triplet_loss(anchor, positive, negative) >>> output.backward() >>> >>> # Custom Distance Function (Lambda) >>> triplet_loss = ( >>> nn.TripletMarginWithDistanceLoss( >>> distance_function=lambda x, y: 1.0 - F.cosine_similarity(x, y))) >>> output = triplet_loss(anchor, positive, negative) >>> output.backward()
- 参考
V. Balntas 等人:使用三元组损失学习浅层卷积特征描述符:http://www.bmva.org/bmvc/2016/papers/paper119/index.html