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
import paddle.fluid as fluid
import numpy as np
anchor = fluid.layers.data(
name = 'anchor', shape = [18, 6], dtype = 'float32', append_batch_size=False)
positive = fluid.layers.data(
name = 'positive', shape = [18, 6], dtype = 'float32', append_batch_size=False)
labels = fluid.layers.data(
name = 'labels', shape = [18], dtype = 'float32', append_batch_size=False)
res = fluid.layers.npair_loss(anchor, positive, labels, l2_reg = 0.002)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(fluid.default_startup_program())
a = np.random.rand(18, 6).astype("float32")
p = np.random.rand(18, 6).astype("float32")
l = np.random.rand(18).astype("float32")
output = exe.run(feed={"anchor": a, "positive": p, "labels": l}, fetch_list=[res])
print(output)