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 $a$ 、 $p$ 和 $n$ （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

\ell(a, p, n) = L = \{l_1,\dots,l_N\}^\top, \quad l_i = \max \{d(a_i, p_i) - d(a_i, n_i) + {\rm margin}, 0\}

其中 $N$ 是批次大小； $d$ 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； $margin$ 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 $N$ 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

\ell(x, y) = \begin{cases} \operatorname{mean}(L), & \text{if reduction} = \text{`mean';}\\ \operatorname{sum}(L), & \text{if reduction} = \text{`sum'.} \end{cases}

另请参阅 TripletMarginLoss，它使用 $l_p$ 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： $1$ .
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： $(N, *)$ 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 $(N)$ 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

TripletMarginWithDistanceLoss¶

文档

教程

资源