mxnet makeloss

最新推荐文章于 2023-01-26 10:53:45 发布

AI算法网奇

最新推荐文章于 2023-01-26 10:53:45 发布

阅读量2k

点赞数

分类专栏： mxnet

本文链接：https://blog.csdn.net/jacke121/article/details/116867619

版权

mxnet 专栏收录该内容

58 篇文章 3 订阅

订阅专栏

这篇博客介绍了如何使用MXNet库实现公平人脸识别中的Triplet Loss函数，包括代码实例和参数解释。作者详细展示了如何计算损失并更新权重和偏置。核心内容涉及深度学习中的三元组损失优化算法在人脸识别中的应用。

摘要由CSDN通过智能技术生成

https://github.com/jacke121/Fairface-Recognition-Solution

https://github.com/paranoidai/Fairface-Recognition-Solution/blob/7f12bc4462cc765fe8d7a7fa820c63bfe2cc9121/train/pair_wise_loss.py

好几种loss函数：

if loss_type =='triplet':

# -*- coding=utf-8 -*-

import mxnet as mx
import numpy as np
import logging

logging.basicConfig(level=logging.INFO)

x = mx.sym.Variable('data')
y = mx.sym.FullyConnected(data=x, num_hidden=1)
label = mx.sym.Variable('label')
loss = mx.sym.MakeLoss(mx.sym.square(y - label))
pred_loss = mx.sym.Group([mx.sym.BlockGrad(y), loss])
ex = pred_loss.simple_bind(mx.cpu(), data=(32, 2))

# test
test_data = mx.nd.array(np.random.random(size=(32, 2)))
test_label = mx.nd.array(np.random.random(size=(32, 1)))

ex.forward(is_train=True, data=test_data, label=test_label)
ex.backward()

print ex.arg_dict
fc_w = ex.arg_dict['fullyconnected0_weight'].asnumpy()
fc_w_grad = ex.grad_arrays[1].asnumpy()
fc_bias = ex.arg_dict['fullyconnected0_bias'].asnumpy()
fc_bias_grad = ex.grad_arrays[2].asnumpy()

logging.info('fc_weight:{}, fc_weights_grad:{}'.format(fc_w, fc_w_grad))
logging.info('fc_bias:{}, fc_bias_grad:{}'.format(fc_bias, fc_bias_grad))