本文详细介绍了triplet损失函数在深度学习中的应用，特别是在人脸识别和其他细粒度识别任务中的优势。它能更好地处理非二元分类问题，训练出的特征在相似性比较中更优。triplet loss相比于softmax，更适用于学习样本间的相对距离。文中还探讨了triplet loss的原理，包括损失函数定义、triplet mining的概念，并提供了tensorflow的代码实现，包括offline和online的triplet mining策略。
目录
triplet loss 在深度学习中主要应用在什么地方？有什么明显的优势？
为什么不用softmax，而使用triplet loss?
Contrastive Loss 和 Triplet Loss
几个高频面试题目
triplet loss 在深度学习中主要应用在什么地方？有什么明显的优势？
NLP里用于找近似文本匹配。对于anchor文本和一个要匹配的文本，如果用二分类问题是不合适的，因为本身目标就不是一个非黑即白的问题；更多的是模型要学出一个rank模型，来比较谁比谁好。所以triplet loss 是更合适的：模型吐出的分数并不代表概率，作为一个实数，仅仅用于比较。所以模型训练的metric也应该是预测正确的和预测错误的比例。
在实际训练中，triplet loss有个特点，就是loss下降得慢，
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
