共计 3388 个字符，预计需要花费 9 分钟才能阅读完成。
内容导读
从度量学习到深度度量学习，本文介绍了一个 PyTorch 中的程序包，它能够极大简化应用深度度量学习的难度。
本文首发自微信公众号「PyTorch 开发者社区」
度量学习（Metric Learning）是机器学习过程中常常用到的一种办法，它能够借助一系列观测，结构出对应的度量函数， 从而学习数据间的间隔或差别，无效地形容样本之间的类似度。
CUB200 数据集样本示例，常被用作度量学习的 benchmark
这个度量函数对于类似度高的观测值，会返回一个小的间隔值；对于差别微小的观测值，则会返回一个大的间隔值。
当样本量不大时，度量学习在解决分类工作的准确率和高效率上，展现出了显著劣势。
DML：为多类别、小样本分类而生
然而，如果要解决的分类工作十分复杂， 具备多类别、小样本等特色时，联合深度学习和度量学习的深度度量学习 （（Deep Metric Learning，简称 DML）），才是真正的王者。
深度度量学习又被称为间隔度量学习（Distance Metric Learning）。 相较于度量学习，深度度量学习能够对输出特色做非线性映射。
通过训练一个基于 CNN 的非线性特征提取模块或编码器，深度度量学习能够将提取的图像特色（Embedding）嵌入到近邻地位，同时借助欧氏间隔、cosine 等间隔度量办法，将不同的图像特色辨别开来。
接下来，深度度量学习再联合 k 最近邻、反对向量机等分类算法， 就能够在不思考类别数量的根底上，利用提取的图像特色，来实现指标辨认工作了。
import numpy as np
# 随机定义 A, B 两个向量
A = np.random.randn(10)
B = np.random.randn(10)
# 欧几里得间隔 (Euclidean distance)
dist = np.square(np.sum(A - B)**2)
# 曼哈顿间隔 (Manhattan distance)
dist = np.sum(np.abs(A - B))
# 切比雪夫间隔 (Chebyshev distance)
dist = np.max(np.abs(A - B))
# cosine 间隔
similarity = (np.sum(A * B))/(np.linalg.norm(A)) / (np.linalg.norm(A))深度度量学习中的罕用间隔函数
深度度量学习在 CV 畛域的一些极其分类工作（类别泛滥、样本量有余）中体现优异， 利用遍布人脸识别、行人重辨认、图像检索、指标跟踪、特色匹配等场景。
以往要在程序中应用深度度量学习，次要依赖工程师从零到一写代码，不光耗时久还容易出 bug。 当初则能够依赖一个封装了多个罕用模块的开源库， 间接进行调用，省时省力。
PML：让深度度量学习大海捞针
pytorch-metric-learning（PML）是一个开源库，能够让各种繁琐简单的深度度量学习算法，变得更加简略敌对。
pytorch-metric-learning 具备两大特点
1、易于应用
只需增加 2 行代码，就能够在程序中应用度量学习；调用单个函数，就能够开掘 pairs 和 triplets。
2、高度灵便
交融了 loss、miner、trainer 等多个模块，能够在已有代码中实现各种算法组合。
PML 包含 9 个模块，每个模块既能够独自应用，也能够组合成一个残缺的训练 / 测试 workflow
pytorch-metric-learning 中的 9 大模块
1、Loss： 能够利用的各种损失函数
from pytorch_metric_learning.distances import CosineSimilarity
from pytorch_metric_learning.reducers import ThresholdReducer
from pytorch_metric_learning.regularizers import LpRegularizer
from pytorch_metric_learning import losses
loss_func = losses.TripletMarginLoss(distance = CosineSimilarity(),
reducer = ThresholdReducer(high=0.3),
embedding_regularizer = LpRegularizer())自定义损失函数 TripletMarginLoss 代码示例
2、Distance： 包含计算 pairwise distance 或输出 embedding 之间相似性的各种类别
3、Reducer： 从几个损失值变为单个损失值
4、Regularizer： 对权重和嵌入向量进行正则化
5、Miner：PML 提供两种类型的开掘函数: 子集批处理 miner 及 tuple miner
from pytorch_metric_learning import miners, losses
miner = miners.MultiSimilarityMiner()
loss_func = losses.TripletMarginLoss()
# your training loop
for i, (data, labels) in enumerate(dataloader):
optimizer.zero_grad()
embeddings = model(data)
hard_pairs = miner(embeddings, labels)
loss = loss_func(embeddings, labels, hard_pairs)
loss.backward()
optimizer.step()用 Tripletmurginloss 损失函数增加开掘性能
6、Sampler：_torch.utils.data.Sampler_ 类的扩大，决定样本的 batch 的组成状态
7、Trainer： 提供对度量学习算法的拜访，如数据加强、附加网络等
8、Tester： 输出模型和数据集，找到基于最近邻的准确度指标（应用该模块须要装置 faiss 安装包）
9、Util：
- _AccuracyCalculator_：给定一个 query 和推理嵌入向量（reference embedding），计算数个准确度指标
- _Inference model_：_utils.inference_ 蕴含用于在 batch 或一组 pair 中，找到匹配对（matching pairs）的类
- _Logging Preset_：提供日志数据 hook，模型训练、验证和存储期间的提前进行日志。
损失函数能够自定义应用 Distance、Reducer 及 Regularizer 三个模块
PML 上手实际
PyTorch 版本要求
pytorch-metric-learning v0.9.90 版本及以上：torch ≥ 1.6
pytorch-metric-learning v0.9.90 版本以下：没有版本要求，然而测试版本 torch ≥ 1.2
Pip
pip install pytorch-metric-learning取得最新版本
pip install pytorch-metric-learning --pre在 Windows 上装置
pip install torch===1.6.0 torchvision===0.7.0 -f https://download.pytorch.org/whl/torch_stable.html
pip install pytorch-metric-learning减少评估和日志性能，须要装置 faiss-gpu 的非官方 pypi 版本
pip install pytorch-metric-learning[with-hooks]或 faiss-CPU
pip install pytorch-metric-learning[with-hooks-cpu]Conda
conda install pytorch-metric-learning -c metric-learning -c pytorchGitHub 地址：
https://github.com/KevinMusgr…
Google Colab：
https://github.com/KevinMusgr…
相干论文：
https://arxiv.org/pdf/2008.09…
参考：
http://html.rhhz.net/tis/html…
https://analyticsindiamag.com…
