Image processing 与Caffe一起培训暹罗网络

我正在训练一个简单的暹罗网络来比较一对图像。我按照给出的例子做了自己的模型

我的问题是收缩损失函数。该函数实现的细节是定义caffe。在我的实现中，我使用了边距=1，定义如下

layer {
  name: "loss"
  type: "ContrastiveLoss"
  bottom: "data"
  bottom: "data_p"
  bottom: "label"
  top: "loss"
  contrastive_loss_param {
    margin: 1
  }
}

如果我的数据不一致，则标记为0，如果相似，则标记为1。我对对比损失函数的界限感到困惑。如何选择边距参数

---

状态边距>0，但有上限吗？

在我看来，它就像一个超参数。

---

较大的裕度会以较大的裕度分离不同的数据，但会使网络训练变得困难。一小部分人很容易学会坏的人际网络。通常，您应该为不同的数据集选择不同的边距。对于上限，它由底部的“data”和“data\p”确定。如果'data'和'data_p'的值范围受到限制，例如其绝对值小于1，则存在一个上限。

在我看来，它就像一个超参数。

---

较大的裕度会以较大的裕度分离不同的数据，但会使网络训练变得困难。一小部分人很容易学会坏的人际网络。通常，您应该为不同的数据集选择不同的边距。对于上限，它由底部的“data”和“data\p”确定。如果'data'和'data_p'的值范围受到限制，例如其绝对值小于1，则存在上限。

暹罗网络中的边距被视为

超参数。较大的裕度值将使收敛速度极慢
 暹罗网络中的边缘被认为是
超参数
。较大的裕度值将使收敛速度极慢
 裕度的上限是损失公式可以得到的样本之间的最大距离。所以它取决于选择的距离：如果它的余弦距离是1，如果它的欧几里得距离是无界的。
解释排名损失计算的blogpost解释了这一点/
边际的上限是损失公式可以得到的样本之间的最大距离。所以它取决于选择的距离：如果它的余弦距离是1，如果它的欧几里得距离是无界的。
这篇解释排名损失计算的博客文章解释了这一点/