Tensorflow.keras用Triplet Loss训练时第18轮后loss突升不再下降

• 三元组采样策略失效
  Triplet Loss的训练效果高度依赖三元组采样质量，前期模型精度较低时，简单三元组占比高，损失稳定下降；当17轮模型精度达到较高水平后，符合要求的难例三元组占比大幅降低，如果采样逻辑没有动态调整难例筛选阈值，第18轮可能出现批量采样到无效三元组的情况（如标注错误的正负例、特征天然无法区分的难例），直接拉升整体损失，后续采样逻辑未修正的情况下，损失会长期停滞。
• 特征空间坍缩
  Triplet Loss训练后期极易出现特征坍缩问题：模型为了满足损失下降的要求，会逐渐把所有样本映射到少量离散的聚类点，当17轮后聚类分布刚好突破损失计算的临界阈值时，所有三元组的距离计算结果会落入固定区间，损失直接跳升。你使用的Adam优化器学习率仅为0.00005，自适应学习率机制在梯度接近0时会锁死参数更新，进一步加剧损失停滞的问题。
• 数据 pipeline 异常
  可以排查第18轮对应的训练、验证批次是否存在数据错误：如正负例标注批量颠倒、预处理逻辑异常（如图像增强误裁剪掉目标区域、归一化参数错误），如果你的数据集shuffle逻辑为固定分块加载，后续连续几轮刚好循环到错误数据块时，就会出现训练、验证损失同步跳升后不再回落的情况。
• 数值计算稳定性问题
  检查特征L2归一化、损失截断逻辑是否存在异常：如果18轮时特征归一化逻辑意外失效，特征向量模长会突然变大，三元组距离计算结果直接超过Triplet Loss的margin参数数倍，损失计算溢出后被截断为固定值，后续低学习率下的参数更新不足以修正这个溢出问题，就会出现损失长期不变的现象。

内容的提问来源于stack exchange，提问作者Vijaya