分类任务的目标是“ 最靠近所属类的中心”, 但排序时是对 所有样本距离从小到大来排序。这会遇到如下困境:z1属于c1,但离z2较近,检索做排序时则会把z2排到其他c1类样本的前边,要解决这个问题,则需要z1与z3的距离小于z1与z2的距离,即“ 类内差距小于类间差距”。
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/94a5d454ed5013f62d3cf48571a1d8b3.png)
三角不等式
平时,我们说的距离一般指比较直观的“欧氏距离”,但在数学上距离,距离又叫“度量”,它有公理化的定义,是指定义在某个集合上的二元函数
d
(
x
,
y
)
d(x, y)
d(x,y),满足:
类内差距小于类间差距推到
其中已知条件利用了 4:三角不等式
AM-Softmax
通过上面的推导,我们知道为了保证分类模型的特征可以用于排序,那么每个样本不仅仅要最靠近类中心,而且是距离加上 m 之后还要最靠近类中心,即如果 z1 属于类 c1 的话,那么就要求:
注意:小知识:
引用:https://mp.weixin.qq.com/s/0jrwTHYxotzEO21Ge_-gcQ