如何在TensorFlow的Triplet Loss中使用余弦相似度

三元组损失（Triplet Loss）的基础定义如下：

L(A, P, N) = max(‖f(A) - f(P)‖² - ‖f(A) - f(N)‖² + margin, 0)

公式中涉及的三类样本与参数含义：

• A=anchor：锚点样本
• P=positive：和锚点属于同一类别的正样本
• N=negative：和锚点属于不同类别的负样本
• margin：锚点与正样本、负样本之间需要满足的最小距离间隔阈值

常规三元组损失默认使用L2距离作为度量方式，实际场景中可以用(1 - cosine_similarity)替换L2距离完成距离度量。
特别注意：TensorFlow框架内置的余弦相似度损失取值范围为[-1,1]，和通用余弦相似度指标的取值逻辑完全相反：取值为0时表示两个向量正交，取值越接近-1代表两个向量相似度越高，取值越接近1代表两个向量差异越大。

已验证可用的实现代码 #

经过实际测试，以下基于TensorFlow内置余弦相似度损失实现的三元组损失可以正常运行：

self.margin = 1
self.loss = tf.keras.losses.CosineSimilarity(axis=1)
# 计算锚点与正样本的距离、锚点与负样本的距离
ap_distance = self.loss(anchor, positive)
an_distance = self.loss(anchor, negative)
loss = tf.maximum(ap_distance - an_distance + self.margin, 0.0)

后续也可以尝试使用TensorFlow Addons内置的三元组损失接口，只需要对齐对应接口要求的数据传入格式即可。

单独调用余弦相似度计算的参考写法 #

如果不需要封装成损失函数，只是单独计算两个向量的余弦相似度，可以参考以下实现：

cosine_similarity = tf.keras.metrics.CosineSimilarity()
cosine_similarity.reset_state()
cosine_similarity.update_state(anch_prediction, other_prediction)
similarity = cosine_similarity.result().numpy()

参考资料 #

• PyTorch CosineEmbeddingLoss 层官方文档
• TensorFlow Keras 内置余弦相似度损失源码实现
• TensorFlow Addons 硬间隔/软间隔三元组损失官方文档

内容的提问来源于stack exchange，提问作者Edv Beq