triplet_margin_with_distance_loss¶
- paddle.nn.functional. triplet_margin_with_distance_loss ( input, positive, negative, distance_function=None, margin: float = 1.0, swap: bool = False, reduction: str = 'mean', name: str = None ) [源代码] ¶
计算输入 input 和 positive 和 negative 间的 triplet margin loss 损失。
损失函数按照下列公式计算
其中的距离函数 distance_function
可以由用户自定义,使用 lambda 或是 def 都可以。如果未定义则调用 2 范数计算距离
margin
为(input,positive)与(input,negative)的距离间隔,swap
为 True 时,会比较(input,negative)和(positive,negative)的大小,并将(input,negative)的值换为其中较小的值,内容详见论文 Learning shallow convolutional feature descriptors with triplet losses 。
参数¶
input (Tensor) - \([N, * ]\),其中 N 是 batch_size, * 是任意其他维度。数据类型是 float32、float64。
positive (Tensor) - \([N, *]\),正样本,维度、数据类型与输入
input
相同。negative (Tensor) - \([N, *]\),负样本,维度、数据类型与输入
input
相同。distance_function (Callable,可选) - 手动指定范数,默认为 None,计算欧式距离。
margin (float,可选) - 手动指定间距,默认为 1。
swap (bool,可选) - 默认为 False。
reduction (str,可选) - 指定应用于输出结果的计算方式,可选值有:
'none'
,'mean'
,'sum'
。默认为'mean'
,计算 Loss 的均值;设置为'sum'
时,计算 Loss 的总和;设置为'none'
时,则返回原始 Loss。name (str,可选) - 具体用法请参见 Name,一般无需设置,默认值为 None。
形状¶
input (Tensor) - \([N, *]\),其中 N 是 batch_size, * 是任意其他维度。数据类型是 float32、float64。
positive (Tensor) - \([N, *]\),标签
positive
的维度、数据类型与输入input
相同。negative (Tensor) - \([N, *]\),标签
negative
的维度、数据类型与输入input
相同。output (Tensor) - 输出的 Tensor。如果
reduction
是'none'
,则输出的维度为 \([N, *]\),与输入input
的形状相同。如果reduction
是'mean'
或'sum'
,则输出的维度为 \([1]\) 。
返回¶
输出的 Tensor。如果
reduction
是'none'
,则输出的维度为 \([N, *]\),与输入input
的形状相同。如果reduction
是'mean'
或'sum'
,则输出的维度为 \([1]\) 。
代码示例¶
import paddle
import paddle.nn.functional as F
input = paddle.to_tensor([[1, 5, 3], [0, 3, 2], [1, 4, 1]], dtype=paddle.float32)
positive= paddle.to_tensor([[5, 1, 2], [3, 2, 1], [3, -1, 1]], dtype=paddle.float32)
negative = paddle.to_tensor([[2, 1, -3], [1, 1, -1], [4, -2, 1]], dtype=paddle.float32)
loss = F.triplet_margin_with_distance_loss(input, positive, negative, margin=1.0, reduction='none')
print(loss)
# Tensor([0. , 0.57496738, 0. ])
loss = F.triplet_margin_with_distance_loss(input, positive, negative, margin=1.0, reduction='mean')
print(loss)
# Tensor([0.19165580])