三元组损失 ¶

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

创建一个测量三元组损失的准则，给定输入张量 $x1$ 、 $x2$ 、 $x3$ 和一个大于 $0$ 的间隔。这用于测量样本之间的相对相似度。三元组由 a、p 和 n（即锚、正例和负例）组成。所有输入张量的形状应为 $(N, D)$ 。

论文中详细描述了距离交换，该论文为 V. Balntas, E. Riba 等人撰写的《使用三元损失的浅层卷积特征描述符学习》。

每个样本在迷你批次中的损失函数为：

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

其中

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

使用指定的 p 值计算范数，并添加一个小常数 $\varepsilon$ 以增加数值稳定性。

参见 TripletMarginWithDistanceLoss ，它使用自定义距离函数计算输入张量的三元组损失。

参数:

• 边距（float，可选）- 默认： $1$ 。

• p（int，可选）- 对距离的范数度。默认： $2$ 。

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

• 交换（bool，可选）- 距离交换在 V. Balntas，E. Riba 等人的论文《使用三元组损失的浅层卷积特征描述符学习》中详细描述。默认： False 。

• size_average（布尔值，可选）- 已弃用（参见 reduction ）。默认情况下，损失会在批次的每个损失元素上平均。注意，对于某些损失，每个样本可能有多个元素。如果字段 size_average 设置为 False ，则损失将改为对每个 minibatch 求和。当 reduce 为 False 时，将被忽略。默认： True

• reduce（布尔值，可选）- 已弃用（参见 reduction ）。默认情况下，损失会在每个 minibatch 的观测上平均或求和，具体取决于 size_average 。当 reduce 为 False 时，将返回每个批次的损失，并忽略 size_average 。默认： True

• reduction（字符串，可选）- 指定应用于输出的缩减方式： 'none' | 'mean' | 'sum' 。 'none' ：不应用缩减， 'mean' ：输出总和将除以输出中的元素数量， 'sum' ：输出将被求和。注意： size_average 和 reduce 正在被弃用，在此期间，指定这两个参数之一将覆盖 reduction 。默认： 'mean'

形状：

• 输入： $(N, D)$ 或 $(D)$ ，其中 $D$ 是向量维度。

• 输出：如果 reduction 是 'none' 且输入形状为 $(N, D)$ ，则形状为 $(N)$ 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()