本文介绍了如何在MNIST数据集上应用Triplet Loss进行相似度计算。通过训练，展示了同一类别样本逐渐聚集，不同类别间距离增大的过程，并提供了关键的代码实现。
triplet loss
Triplet Loss损失函数在mnist上做相似度计算
triplet loss的核心包括三个部分
- anchor/positive/negative
代表三个输入图，尺寸相同，训练的目标是令anchor和positive距离最小化，同时anchor和negative距离最大化。以FaceRec为例，anchor和positive一般来自同一个人，而negative属于不同的另一个人。 - shared models
通用的卷积模型，输入是单幅图像，输出是1维特征向量 - loss
L i = [ ( f ( x i a ) − f ( x i p ) ) 2 − ( f ( x i a ) − f ( x i n ) ) 2 + α ] L = ∑ i N [ m a x ( L i , 0 ) ] L_i = [ (f(x_i^a) - f(x_i^p))^2 - (f(x_i^a) - f(x_i^n))^2 + \alpha] \\\\ L = \sum_i^N [max( L_i, 0)] Li
最低0.47元/天 解锁文章
扫一扫
3001
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
