今天的深度学习,最牛的大佬们在改结构,比如Hinton,何凯明 很牛的大佬在改损失函数,比如这篇《CosFace: Large Margin Cosine Loss for Deep Face Recognition》 牛的大佬在现有的算法上提出层出不穷的新应用 而我,在当分母~ 文章主要创新点就是对人脸识别的损失函数做了优化。 首先复习点余弦距离: 1、余弦距离 余弦距离,也称为余弦相似度,是用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小的度量。 向量,是多维空间中有方向的线段,如果两个向量的方向一致,即夹角接近零,那么这两个向量就相近。而要确定两个向量方向是否一致,这就要用到余弦定理计算向量的夹角。 余弦定理描述了三角形中任何一个夹角和三个边的关系。给定三角形的三条边,可以使用余弦定理求出三角形各个角的角度。 2、余弦距离和欧氏距离的对比 从上图可以看出,余弦距离使用两个向量夹角的余弦值作为衡量两个个体间差异的大小。相比欧氏距离,余弦距离更加注重两个向量在方向上的差异。 借助三维坐标系来看下欧氏距离和余弦距离的区别: