Tensorflow 使用半硬三元组时，损耗降低

这是对三胞胎学习的简短回顾。 我使用三个具有共享权重的卷积神经网络来生成人脸嵌入（锚定，正，负），并描述损失

三重态损耗：

anchor_output = ...  # shape [None, 128]
positive_output = ...  # shape [None, 128]
negative_output = ...  # shape [None, 128]

d_pos = tf.reduce_sum(tf.square(anchor_output - positive_output), 1)
d_neg = tf.reduce_sum(tf.square(anchor_output - negative_output), 1)

loss = tf.maximum(0., margin + d_pos - d_neg)
loss = tf.reduce_mean(loss)

当我只选择硬三元组（

distance（锚定，正）

）时，损失非常小：0.08。 当我选择所有三元组时，损失变得更大0.17855。这些只是10000个三重态对的测试值，但我在实际集合（600000个三重态对）上得到了类似的结果

为什么会发生这种情况？对吗

---

我使用的是有动量的SGD，从学习率0.001开始，你服用tf.sqrt（d_pos）和tf.sqrt（d_neg）后得到了什么？

服用tf.sqrt（d_pos）和tf.sqrt（d_neg）后得到了什么？

这里是关于三胞胎硬度的术语的快速回顾：

• 简单三联体：由于

  d（a，p）+边距

• 硬三联体：负向比正向更靠近锚定的三联体，即

  d（a，n）

• 半硬三联体：负片不比正片更靠近锚点，但仍有正损耗的三联体：

  d（a，p）

你在这里描述的是：

当我仅选择硬三元组时（距离（锚定，正）<距离（锚定，负））

---

实际上是选择半硬三胞胎和简单三胞胎。您正在移除硬三胞胎，因此您的损失更小。

以下是有关三胞胎硬度的术语的简要概述：

• 简单三联体：由于

  d（a，p）+边距

• 硬三联体：负向比正向更靠近锚定的三联体，即

  d（a，n）

• 半硬三联体：负片不比正片更靠近锚点，但仍有正损耗的三联体：

  d（a，p）

你在这里描述的是：

当我仅选择硬三元组时（距离（锚定，正）<距离（锚定，负））

---

实际上是选择半硬三胞胎和简单三胞胎。您正在移除硬三胞胎，因此您的损失更小。

请原谅我的noobness请原谅我的noobness