再次理解苏神的CoSENT损失函数的pytorch代码实现（终于搞懂了）

1. 最近学习深度学习关于自然语言处理的有关内容时，看到了苏神关于在解决文本相似任务时提出的新的计算损失的方式:CoSENT损失。原文链接:CoSENT损失计算方式及原理。然后就想看看代码是怎么实现的。刚开始看属实是有点难，但还是给弄明白了，这里记录一下，供大家参考。

2. 先看pytorch的代码实现，如下图：

3. 那么在这里主要给大家解释实现方式中的前三步：取出真实的标签、句子向量归一化、奇偶向量相乘（注：一定要先看CoSENT损失的表达式，理解之后再来看代码实现）。

   step1-取出真实的标签： 取真实标签:在最开始加载数据的时候,是逐个加载句子的,而不是以句子对的形式进行加载。例如： 进行相似度计算的句子对有1000对,那么加载数据到列表是有2000个句子的,相对应的真实标签也由原来的1000个变为2000个,所以再取标签时label要跳2取值。这也就是y_true = y_true[::2]的含义表达。

   step2-向量归一化: 向量归一化挺好理解的，即输出向量进行归一化,方便后续计算。

   step3-奇偶向量相乘： 奇偶向量相乘:前面说过,我们是要计算句子对之间的相似值的,但是现在是句子对以前后顺序进行存放,所以要分别取索引为奇数和偶数的向量输出,然后在相乘。例如: 现在有句子顺序是[1,2,3,4],我们是要[1,2]相乘,[3,4]相乘的。那么取奇数就是[1,3],偶数就是[2,4],然后对应索引相乘就是[1,2]、[3,4]相乘了。也就得到了每个句子对的相似值。这也就是代码y_pred = torch.sum(y_pred[::2] * y_pred[1::2],dim=1)的含义。后续的实现只要理解了损失函数怎么计算，代码理解就问题不大了。

4. 以上就是我个人对CoSENT损失函数的理解。希望能帮助到你