Triplet Loss是深度学习中的一种损失函数，用于训练差异性较小的样本，如人脸等， Feed数据包括锚（Anchor）示例、正（Positive）示例、负（Negative）示例，通过优化锚示例与正示例的距离小于锚示例与负示例的距离，实现样本的相似性计算。

数据集：MNIST

框架：DL-Project-Template

目标：通过Triplet Loss训练模型，实现手写图像的相似性计算。

工程：https://github.com/SpikeKing/triplet-loss-mnist

模型

Triplet Loss的核心是锚示例、正示例、负示例共享模型，通过模型，将锚示例与正示例聚类，远离负示例。

Triplet Loss Model的结构如下：

• 输入：三个输入，即锚示例、正示例、负示例，不同示例的结构相同；
• 模型：一个共享模型，支持替换为任意网络结构；
• 输出：一个输出，即三个模型输出的拼接。

Shared Model选择常用的卷积模型，输出为全连接的128维数据：

Triplet Loss损失函数的计算公式如下：

训练

模型参数：

• batch_size：32
• epochs：2

超参数：

• 边界Margin的值设置为1。

算法收敛较好，Loss线性下降：

TF Graph：

验证

算法效率（TPS）: 每秒48163次 (0.0207625 ms)

MNIST验证集的效果：

[INFO] trainer - clz 0
[INFO] trainer - distance - min: -15.4567, max: 1.98611, avg: -6.50481
[INFO] acc: 0.996632996633

[INFO] trainer - clz 1
[INFO] trainer - distance - min: -13.09, max: 3.43779, avg: -6.66867
[INFO] acc: 0.99214365881

[INFO] trainer - clz 2
[INFO] trainer - distance - min: -14.2524, max: 2.49437, avg: -5.60508
[INFO] acc: 0.991021324355

[INFO] trainer - clz 3
[INFO] trainer - distance - min: -16.6555, max: 1.21776, avg: -6.32161
[INFO] acc: 0.995510662177

[INFO] trainer - clz 4
[INFO] trainer - distance - min: -14.193, max: 1.65427, avg: -5.90896
[INFO] acc: 0.991021324355

[INFO] trainer - clz 5
[INFO] trainer - distance - min: -14.1007, max: 2.01843, avg: -6.36086
[INFO] acc: 0.994388327722

[INFO] trainer - clz 6
[INFO] trainer - distance - min: -16.8953, max: 2.84421, avg: -8.43978
[INFO] acc: 0.995510662177

[INFO] trainer - clz 7
[INFO] trainer - distance - min: -16.6177, max: 3.49675, avg: -5.99822
[INFO] acc: 0.989898989899

[INFO] trainer - clz 8
[INFO] trainer - distance - min: -14.937, max: 3.38141, avg: -5.4424
[INFO] acc: 0.979797979798

[INFO] trainer - clz 9
[INFO] trainer - distance - min: -16.9519, max: 2.39112, avg: -5.93581
[INFO] acc: 0.985409652076
复制代码

测试的MNIST分布：

输出的Triplet Loss MNIST分布：

本例仅仅使用2个Epoch，也没有特殊设置超参，实际效果仍有提升空间。

欢迎Follow我的GitHub：https://github.com/SpikeKing

By C. L. Wang @ 美图云事业部

That’s all! Enjoy it!