查看“︁三元组损失”︁的源代码


'''三元组损失'''是[[机器学习]][[损失函数|算法中的一种损失函数]]，该损失函数将锚点（anchor）样本与正（positive）样本和负（negative）样本进行比较。具体做法是，将锚点样本与正样本之间的距离最小化，将锚点样本与负样本之间的距离最大化。 <ref>{{Cite journal|title=Large Scale Online Learning of Image Similarity Through Ranking|url=http://www.jmlr.org/papers/volume11/chechik10a/chechik10a.pdf|last=Chechik|first=G.|last2=Sharma|first2=V.|journal=Journal of Machine Learning Research|year=2010|volume=11|pages=1109–1135|last3=Shalit|first3=U.|last4=Bengio|first4=S.}}</ref> <ref>{{Cite book|last=Schroff|first=F.|last2=Kalenichenko|first2=D.|last3=Philbin|first3=J.|date=June 2015|title=FaceNet: A unified embedding for face recognition and clustering|work=2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)|pages=815–823|doi=10.1109/CVPR.2015.7298682|arxiv=1503.03832|isbn=978-1-4673-6964-0}}</ref> 2003 年，早期的三元组损失公式（未使用锚点样本）由 M. Schultze 和 T. Joachims 依照相对比较法提出，将其用于度量学习。 <ref name="SchultzJoachims">{{Cite journal|title=Learning a distance metric from relative comparisons|url=https://papers.nips.cc/paper/2366-learning-a-distance-metric-from-relative-comparisons.pdf|last=Schultz|first=M.|last2=Joachims|first2=T.|journal=Advances in Neural Information Processing Systems|year=2004|volume=16|pages=41–48|access-date=2021-09-08|archive-date=2020-10-28|archive-url=https://web.archive.org/web/20201028211158/https://papers.nips.cc/paper/2366-learning-a-distance-metric-from-relative-comparisons.pdf|dead-url=no}}</ref>



该[[损失函数]]可以用[[欧几里得距离|欧几里德距离]]函数来表示

: <math>\mathcal{L} \left ( A, P, N \right ) =\operatorname{max} \left (
 {\| \operatorname{f} \left ( A \right ) - \operatorname{f} \left ( P \right ) \|}^2
 - {\| \operatorname{f} \left ( A \right ) - \operatorname{f} \left ( N \right ) \|}^2
 + \alpha, 0 \right )</math>
: 其中<math>A</math>是一个''锚点样本''， <math>P</math>是与<math>A</math>同类的''正样本'', <math>N</math>是与<math>A</math>不同类别''的负样本'', <math>\alpha</math>是正负样本对之间的松弛边距，<math>\operatorname{f}</math>是嵌入向量。

== 参见 ==

* 孪生神经网络
* t-分布随机相邻嵌入
* 学习排名
* 相似性学习

== 参考 ==
<references />
[[Category:機器學習演算法]]
[[Category:人工神经网络]]