npair_loss

paddle.fluid.layers.npair_loss(anchor, positive, labels, l2_reg=0.002)[源代码]

Npair Loss Layer

参考阅读 Improved Deep Metric Learning with Multi class N pair Loss Objective

NPair损失需要成对的数据。NPair损失分为两部分:第一部分是对嵌入向量进行L2正则化;第二部分是每一对数据的相似性矩阵的每一行和映射到ont-hot之后的标签的交叉熵损失的和。

参数

  • anchor (Variable) - 锚点图像的嵌入Tensor,形状为[batch_size, embedding_dims]的2-D Tensor。数据类型:float32和float64。
  • positive (Variable) - 正例图像的嵌入Tensor,形状为[batch_size, embedding_dims]的2-D Tensor。数据类型:float32和float64。
  • labels (Variable) - 标签向量,形状为[batch_size]的1-DTensor。数据类型:float32、float64和int64。
  • l2_reg (float) - 嵌入向量的L2正则化系数,默认:0.002。

返回

Tensor。经过npair loss计算之后的结果,是一个值。

返回类型

Variable

代码示例

  1. import paddle.fluid as fluid
  2. import numpy as np
  3. anchor = fluid.layers.data(
  4. name = 'anchor', shape = [18, 6], dtype = 'float32', append_batch_size=False)
  5. positive = fluid.layers.data(
  6. name = 'positive', shape = [18, 6], dtype = 'float32', append_batch_size=False)
  7. labels = fluid.layers.data(
  8. name = 'labels', shape = [18], dtype = 'float32', append_batch_size=False)
  9. res = fluid.layers.npair_loss(anchor, positive, labels, l2_reg = 0.002)
  10. place = fluid.CPUPlace()
  11. exe = fluid.Executor(place)
  12. exe.run(fluid.default_startup_program())
  13. a = np.random.rand(18, 6).astype("float32")
  14. p = np.random.rand(18, 6).astype("float32")
  15. l = np.random.rand(18).astype("float32")
  16. output = exe.run(feed={"anchor": a, "positive": p, "labels": l}, fetch_list=[res])
  17. print(output)