Tensorflow2.0—FaceNet网络原理及代码解析（二）--- Triplet loss函数

# Tensorflow2.0—FaceNet网络原理及代码解析（二）— Triplet loss函数

Facenet使用的是Triplet loss~

一、原理

Triplet Loss的输入是三个相同长度的向量（这里为128）：
a：anchor，基准图片获得的128维人脸特征向量
p：positive，与基准图片属于同一张人脸的图片获得的128维人脸特征向量
n：negative，与基准图片不属于同一张人脸的图片获得的128维人脸特征向量

---

根据公式，可以看出来，为了让loss越低，那么就得让a与p的向量之间的欧式距离越短，同时让a与n的向量之间的欧式距离越长
，只有这样才能保证loss的总值越低。
这里，有个小疑问~

为什么要设置margin（α）？
答：

引用：https://zhuanlan.zhihu.com/p/171627918

二、代码实现

def _triplet_loss(y_true, y_pred):
	#提取a，p，n向量
    anchor, positive, negative = y_pred[:batch_size], y_pred[batch_size:int(2*batch_size)], y_pred[-batch_size:]

    pos_dist = K.sqrt(K.sum(K.square(anchor - positive), axis=-1)) #计算a与p向量之间的欧式距离
    neg_dist = K.sqrt(K.sum(K.square(anchor - negative), axis=-1)) #计算a与n向量之间的欧式距离

    basic_loss = pos_dist - neg_dist + alpha #公式
    
    idxs = tf.where(basic_loss > 0)
    select_loss = tf.gather_nd(basic_loss,idxs)

    loss = K.sum(K.maximum(basic_loss, 0)) / tf.cast(tf.maximum(1, tf.shape(select_loss)[0]), tf.float32)
    return loss