triplet loss

---

---

为了打好基础，还是得深入理解代码啊啊啊，虽然看到代码都头疼，能咋整，还是一点一点来吧T-T，仅自留，毕竟我还是研0的小白。

---

先写loss部分吧，后面再慢慢写model、train、test部分~（师兄说主要看这四个部分就可啦~）

---

一、loss部分

首先就是一个难样本挖掘的三元组损失。

class OriTripletLoss(nn.Module):
    """Triplet loss with hard positive/negative mining.
    
    Reference:
    Hermans et al. In Defense of the Triplet Loss for Person Re-Identification. arXiv:1703.07737.
    Code imported from https://github.com/Cysu/open-reid/blob/master/reid/loss/triplet.py.
    
    Args:
    - margin (float): margin for triplet.
    """
    
    def __init__(self, batch_size, margin=0.3):
        super(OriTripletLoss, self).__init__()
        self.margin = margin
        self.ranking_loss = nn.MarginRankingLoss(margin=margin)      # 获得一个简单的距离triplet函数

    def forward(self, inputs, targets):
        """
        Args:
        - inputs: feature matrix with shape (batch_size, feat_dim)
        - targets: ground truth labels with shape (num_classes)
        """
        n = inputs.size(0)                                                         #n即batch_size
        
        # Compute pairwise distance, replace by the official when merged
        dist = torch.pow(inputs, 2).sum(dim=1, keepdim=True).expand(n, n)     # 每个数平方后， sum（保持行数n不变），再扩展成nxn维
        dist = dist + dist.t()                                                 #dis[i][j]代表的是第i个特征与第j个特征的平方的和
        dist.addmm_(1, -2, inputs, inputs.t())                                # 然后减去2倍的 第i个特征*第j个特征 从而通过完全平方式得到 (a-b)^2
        dist = dist.clamp(min=1e-12).sqrt()  # for numerical stability         #开方，clamp做简单数值处理(为了数值的稳定性)：小于min参数的dist元素值由min值取代。
                                               #根号下不能为0，0开根号没有问题的，但是梯