之间已经介绍过几个比较经典的 loss function 啦,这里再补充三个最近看到的 loss function。
Large Margin Cosine Loss
这个 loss function 的提出,基本思想是将损失函数的计算从距离空间转换到角度空间。
欧几里得空间 (距离空间) → \rightarrow → 余弦空间 (角度空间)
首先复习一下 softmax loss:
L s = 1 N ∑ i = 1 N − log p i = 1 N ∑ i = 1 N − log e f y i ∑ j = 1 C e f j L_{s}=\frac{1}{N} \sum_{i=1}^{N}-\log p_{i}=\frac{1}{N} \sum_{i=1}^{N}-\log \frac{e^{f_{y_{i}}}}{\sum_{j=1}^{C} e^{f_{j}}} Ls=N1i=1∑N−logpi=N1i=1∑N−log∑j=1Cefjefyi
- N:训练样本数;
- p i p_{i} pi 是 x i x_{i} xi 被正确分类的后验概率;
- C C C 是类别数目;
- f j f_{j} fj 表示全连接层的激活公式,有 f j = W j T x = ∥ W j ∥ ∥ x ∥ cos θ j f_{j}=W_{j}^{T} x=\left\|W_{j}\right\|\|x\| \cos \theta_{j} fj=WjTx=∥Wj∥∥x∥cosθj 。(令偏重 B j = 0 B_{j}=0 Bj=0)
为了消除径向方向的影响,令 ∥ W j ∥ = 1 \left\|W_{j}\right\|=1 ∥Wj∥=1 , ∥ x ∥ = s \|x\|=s ∥x∥=s 。
为了充分提高损失函数的分类能力,引入余弦余量 m m m,得到 Large Margin Cosine Loss (LMCL) 定义如下:
L l m c = 1 N ∑ i − log e s ( cos ( θ y i , i ) − m ) e s ( cos ( θ y i , i ) − m ) + ∑ j ≠ y i e s cos ( θ j , i ) L_{l m c}=\frac{1}{N} \sum_{i}-\log \frac{e^{s\left(\cos \left(\theta_{y_{i}, i}\right)-m\right)}}{e^{s\left(\cos \left(\theta_{y_{i}, i}\right)-m\right)}+\sum_{j \neq y_{i}} e^{s \cos \left(\theta_{j, i}\right)}} Llmc=N1i∑−loges(cos(θyi,i)−m)+∑j̸=yiescos(θj,i)es(cos(θyi,i)−m)
其中,
W = W ∗ ∥ W ∗ ∥ x = x ∗ ∥ x ∗ ∥ cos ( θ j , i ) = W j T x i \begin{aligned} W &=\frac{W^{*}}{\left\|W^{*}\right\|} \\ x &=\frac{x^{*}}{\left\|x^{*}\right\|} \\ \cos \left(\theta_{j}, i\right) &=W_{j}^{T} x_{i} \end{aligned} Wxcos(θj,i)