PyTorch 深度度量学习无敌 Buff：九大模块、随意调用

内容导读

从度量学习到深度度量学习，本文介绍了一个 PyTorch 中的程序包，它可以极大简化使用深度度量学习的难度。

本文首发自微信公众号「PyTorch 开发者社区」

度量学习（Metric Learning）是机器学习过程中经常用到的一种方法，它可以借助一系列观测，构造出对应的度量函数，从而学习数据间的距离或差异，有效地描述样本之间的相似度。

CUB200 数据集样本示例，常被用作度量学习的 benchmark

这个度量函数对于相似度高的观测值，会返回一个小的距离值；对于差异巨大的观测值，则会返回一个大的距离值。

当样本量不大时，度量学习在处理分类任务的准确率和高效率上，展现出了显著优势。

DML：为多类别、小样本分类而生

然而，如果要处理的分类任务十分复杂，具有多类别、小样本等特征时，结合深度学习和度量学习的深度度量学习（（Deep Metric Learning，简称 DML）），才是真正的王者。

深度度量学习又被称为距离度量学习（Distance Metric Learning）。相较于度量学习，深度度量学习可以对输入特征做非线性映射。

通过训练一个基于 CNN 的非线性特征提取模块或编码器，深度度量学习可以将提取的图像特征（Embedding）嵌入到近邻位置，同时借助欧氏距离、cosine 等距离度量方法，将不同的图像特征区分开来。

接下来，深度度量学习再结合 k 最近邻、支持向量机等分类算法，就可以在不考虑类别数量的基础上，利用提取的图像特征，来完成目标识别任务了。

import numpy as np


# 随机定义A, B 两个向量
A = np.random.randn(10)
B = np.random.randn(10)


# 欧几里得距离(Euclidean distance)
dist = np.square(np.sum(A - B)**2)


# 曼哈顿距离(Manhattan distance)
dist = np.sum(np.abs(A - B))


# 切比雪夫距离(Chebyshev distance)
dist = np.max(np.abs(A - B))


# cosine距离
similarity = (np.sum(A * B))/(np.linalg.norm(A)) / (np.linalg.norm(A))

深度度量学习中的常用距离函数

深度度量学习在 CV 领域的一些极端分类任务（类别众多、样本量不足）中表现优异，应用遍及人脸识别、行人重识别、图像检索、目标跟踪、特征匹配等场景。

以往要在程序中使用深度度量学习，主要依赖工程师从零到一写代码，不光耗时久还容易出 bug。**现在则可以依赖一个封装了多个常用模块的开源库，**直接进行调用，省时省力。

PML：让深度度量学习易如反掌

pytorch-metric-learning（PML）是一个开源库，可以让各种繁琐复杂的深度度量学习算法，变得更加简单友好。

pytorch-metric-learning 具有两大特点

1、易于使用

只需添加 2 行代码，就可以在程序中使用度量学习；调用单个函数，就可以挖掘 pairs 和 triplets。

2、高度灵活

融合了 loss、miner、trainer 等多个模块，可以在已有代码中实现各种算法组合。

PML 包括 9 个模块，每个模块既可以单独使用，也可以组合成一个完整的训练/测试 workflow

pytorch-metric-learning 中的 9 大模块

1、Loss： 可以应用的各种损失函数

from pytorch_metric_learning.distances import CosineSimilarity
from pytorch_metric_learning.reducers import ThresholdReducer
from pytorch_metric_learning.regularizers import LpRegularizer
from pytorch_metric_learning import losses
loss_func = losses.TripletMarginLoss(distance = CosineSimilarity(), 
             reducer = ThresholdReducer(high=0.3), 
              embedding_regularizer = LpRegularizer())

自定义损失函数 TripletMarginLoss 代码示例

2、Distance： 包括计算 pairwise distance 或输入 embedding 之间相似性的各种类别

3、Reducer： 从几个损失值变为单个损失值

4、Regularizer： 对权重和嵌入向量进行正则化

5、Miner： PML 提供两种类型的挖掘函数:子集批处理 miner 及 tuple miner

from pytorch_metric_learning import miners, losses
miner = miners.MultiSimilarityMiner()
loss_func = losses.TripletMarginLoss()


# your training loop
for i, (data, labels) in enumerate(dataloader):
  optimizer.zero_grad()
  embeddings = model(data)
  hard_pairs = miner(embeddings, labels)
  loss = loss_func(embeddings, labels, hard_pairs)
  loss.backward()
  optimizer.step()

用 Tripletmurginloss 损失函数添加挖掘功能

6、Sampler：torch.utils.data.Sampler 类的扩展，决定样本的 batch 的组成形态

7、Trainer： 提供对度量学习算法的访问，如数据增强、附加网络等

8、Tester： 输入模型和数据集，找到基于最近邻的准确度指标（使用该模块需要安装 faiss 安装包）

9、Util：

• AccuracyCalculator：给定一个 query 和推理嵌入向量（reference embedding），计算数个准确度指标
• Inference model：utils.inference 包含用于在 batch 或一组 pair 中，找到匹配对（matching pairs ）的类
• Logging Preset：提供日志数据 hook，模型训练、验证和存储期间的提前停止日志。

损失函数可以自定义使用 Distance、Reducer 及 Regularizer 三个模块

PML 上手实践

PyTorch 版本要求

pytorch-metric-learning v0.9.90 版本及以上：torch ≥ 1.6

pytorch-metric-learning v0.9.90 版本以下：没有版本要求，但是测试版本 torch ≥ 1.2

Pip

pip install pytorch-metric-learning

获得最新版本

pip install pytorch-metric-learning --pre

在 Windows 上安装

pip install torch===1.6.0 torchvision===0.7.0 -f https://download.pytorch.org/whl/torch_stable.html
pip install pytorch-metric-learning

增加评估和日志功能，需要安装 faiss-gpu 的非官方 pypi 版本

pip install pytorch-metric-learning[with-hooks]

或 faiss-CPU

pip install pytorch-metric-learning[with-hooks-cpu]

Conda

conda install pytorch-metric-learning -c metric-learning -c pytorch

GitHub 地址：

https://github.com/KevinMusgrave/pytorch-metric-learning

Google Colab：

https://github.com/KevinMusgrave/pytorch-metric-learning/blob/master/examples/README.md

相关论文：

https://arxiv.org/pdf/2008.09164.pdf

参考：

http://html.rhhz.net/tis/html/201906045.htm

https://analyticsindiamag.com/guide-to-pytorch-metric-learning-a-library-for-implementing-metric-learning-algorithms/