关于对比损失（contrasive loss）的理解（相似度越大越相似的情况）：

    def contro_loss(self):
        '''
        总结下来对比损失的特点：首先看标签，然后标签为1是正对，负对部分损失为0，最小化总损失就是最小化类内损失(within_loss)部分，
        让s逼近margin的过程，是个增大的过程；标签为0是负对，正对部分损失为0，最小化总损失就是最小化between_loss，而且此时between_loss就是s，
        所以这个过程也是最小化s的过程，也就使不相似的对更不相似了
        '''
        s = self.similarity
        one = tf.constant(1.0)
        margin = 1.0
        y_true = tf.to_float(self.y_true)

        # 类内损失：
        max_part = tf.square(tf.maximum(margin-s,0)) # margin是一个正对该有的相似度临界值
        within_loss = tf.multiply(y_true,max_part) #如果相似度s未达到临界值margin，则最小化这个类内损失使s逼近这个margin，增大s

        # 类间损失：
        between_loss = tf.multiply(one-y_true,s) #如果是负对，between_loss就等于s，这时候within_loss=0，最小化损失就是降低相似度s使之更不相似
        
        # 总体损失（要最小化）：
        loss = 0.5*tf.reduce_mean(within_loss+between_loss)
        return loss