对比学习loss-Triplet Loss, Ranking Loss, Margin Loss、center loss

Ranking Loss简介

ranking loss实际上是一种metric learning,他们学习的相对距离，而不在乎实际的值. 其应用十分广泛，包括是二分类，例如人脸识别，是一个人不是一个人。

在不同场景有不同的名字，包括 Contrastive Loss, Margin Loss, Hinge Loss or Triplet Loss. 但是他们的公式实际上非常一致的。大概有两类，一类是输入pair 对，另外一种是输入3塔结构。

Pairwise Ranking Loss

对于正样本。希望越接近越小。即LOSS = 距离
对于负样本，希望他们拉开m的差距。所以距离大于m的不考虑。

二分类Loss:

Triplet Ranking Loss

来自论文：
FaceNet: A Unified Embedding for Face Recognition and Clustering
论文阅读笔记

easy triplets(简单三元组): triplet对应的损失为0的三元组，形式化定义为d(a,n)>d(a,p)+margin，也就是负样本的距离远大于正样本的距离。

hard triplets（困难三元组）: negative example 与anchor距离小于anchor与positive example的距离，形式化定义为d(a,n)

semi-hard triplets（一般三元组）: negative example 与anchor距离大于anchor与positive example的距离，但还不至于使得loss为0，即d(a,p)

如何构造负样本

triple loss:

离线对比挖掘：

• 得到每一个样本的embedding.
• 计算 （与负样本d(a,n)）和 （与正阳本d(a,p)）与margin之间的距离差距。
• 判断属于easy triplets, hard triplets, semi-hard triplets,
• 选择其中hard or semi-hard triplets，因为easy太容易了，没有必要训练

在线对比挖掘

• batch all: 同批次计算所有的valid triplet，对hard 和 semi-hard triplets上的loss进行平均。
• 不考虑easy triplets，因为easy triplets的损失为0，平均会把整体损失缩小
• 将会产生PK(K-1)(PK-K)个triplet，即PK个anchor，对于每个anchor有k-1个可能的positive example，PK-K个可能的negative examples
• batch hard: 对于每一个anchor，选择hardest positive example(距离anchor最大的positive example)和hardest negative(距离anchor最小的negative example)，
• 由此产生PK个triplet
• 这些triplet是最难分的

• 计算所有的embedding 两两距离得到distances：（batch, batch）
• 计算所有三元组的情况：(batch, batch, batch)
  得到一个3D的mask [a, p, n], 对应triplet（a, p, n）是valid的位置是True
  得到当下标（i, j, k）不相等， 且label[i]==label[j], label[i] != label[k]
• 计算所有的triple loss * mask , 再求平均
• 取 K 距离最大的 pos , K 距离最小的neg
• pos_mask, neg_mask大小（batch, batch）
• batch hard loss =
  max(pos_mask* distances - neg_mask* distances + margin, 0)

一些别名

在不同场景有不同的名字

• Ranking loss: 这个名字主要是在搜索场景用，希望模型能能够以一定顺序rank item。
• Margin Loss: 这个则是希望用margin去代表距离 。
• Contrastive Loss:【pairloss】
  N个样本。
  y=1相似或者同标签，
  d代表两个的欧式距离，
  margin为给定的阈值
  
• Triplet Loss: 通常是3塔结构
  

• Hinge loss: 也是max-margin objective. 也是SVM 分类的损失函数。max{0,margin-(S(Q,D+)-S(Q,D-))}
• WRGP loss 这个主要原理是认为随机抽样1000个

Git 代码

triple loss tensorflow
triplet loss pytorch
triplelet loss numpy
center loss pytorch

center loss

triplet学习的是样本间的相对距离，没有学习绝对距离，尽管考虑了类间的离散性，但没有考虑类内的紧凑性。

Center Loss希望可以通过学习每个类的类中心，使得类内的距离变得更加紧凑。C_yi表示深度特征的第yi类中心。

训练时：
第一是基于mini-batch执行更新。在每次迭代中，计算中心的方法是平均相应类的特征(一些中心可能不会更新)。
第二，避免大扰动引起的误标记样本，用一个标量 α 控制中心的学习速率，一般这个α 很小（如，0.005）。
计算梯度并更新

实际场景，可以利用triplet loss和center loss联合训练优化模型