<p>很多时候带分类标注的图片样本是很难获得的，但是图片之间的相似度却不难获得。最简单的方式有几个：</p>    <ul>     <li>视频里相邻的帧是相似的。</li>     <li>如果有用户日志数据，可以基于协同过滤计算图片之间的相似度。</li>    </ul>    <p>最早用来从相似图片数据集上学习图片表示的网络结构是siamese网络。</p>    <p style="text-align: center;"><img src="https://simg.open-open.com/show/0688ed05a517bc554954d7f5eed1ccc1.png"></p>    <p style="text-align: center;">siamese.png</p>    <p>两幅图通过两个共享权重的CNN得到各自的表示。而各自表示的距离决定了他们是相似还是不相似。</p>    <p>在siamese网络之后，又提出了用triplet loss来学习图片的表示，大概思路如下：</p>    <ul>     <li>拿到3张图片A, B, C。其中A，B相似，A，C不相似。</li>     <li>学到A, B, C 的表示，使得A,B之间的距离尽量小，而A，C之间的距离尽量大。</li>    </ul>    <p>用mxnet实现triplet loss很简单，代码如下：</p>    <pre>  def get_net(batch_size):      same = mx.sym.Variable('same')      diff = mx.sym.Variable('diff')      anchor = mx.sym.Variable('anchor')      one = mx.sym.Variable('one')      one = mx.sym.Reshape(data = one, shape = (-1, 1))      conv_weight = []      conv_bias = []      for i in range(3):          conv_weight.append(mx.sym.Variable('conv' + str(i) + '_weight'))          conv_bias.append(mx.sym.Variable('conv' + str(i) + '_bias'))      fc_weight = mx.sym.Variable('fc_weight')      fc_bias = mx.sym.Variable('fc_bias')      fa = get_conv(anchor, conv_weight, conv_bias, fc_weight, fc_bias)      fs = get_conv(same, conv_weight, conv_bias, fc_weight, fc_bias)      fd = get_conv(diff, conv_weight, conv_bias, fc_weight, fc_bias)        fs = fa - fs      fd = fa - fd      fs = fs * fs      fd = fd * fd      fs = mx.sym.sum(fs, axis = 1, keepdims = 1)      fd = mx.sym.sum(fd, axis = 1, keepdims = 1)      loss = fd - fs      loss = one - loss      loss = mx.sym.Activation(data = loss, act_type = 'relu')      return mx.sym.MakeLoss(loss)</pre>    <p>这里conv_weight[], fc_weight, conv_bias[], fc_bias是两个CNN网络共享的模型。理论上这里可以用任何的CNN网络(AlexNet, GoogleNet, ResNet)。我们用了一个特别简单的CNN，如下：</p>    <pre>  def get_conv(data, conv_weight, conv_bias, fc_weight, fc_bias):      cdata = data      ks = [5, 3, 3]      for i in range(3):          cdata = mx.sym.Convolution(data=cdata, kernel=(ks[i],ks[i]), num_filter=32,                                     weight = conv_weight[i], bias = conv_bias[i],                                     name = 'conv' + str(i))          cdata = mx.sym.Pooling(data=cdata, pool_type="avg", kernel=(2,2), stride=(1, 1))          cdata = mx.sym.Activation(data=cdata, act_type="relu")        cdata = mx.sym.Flatten(data = cdata)      cdata = mx.sym.FullyConnected(data = cdata, num_hidden = 1024,                                    weight = fc_weight, bias = fc_bias, name='fc')      cdata = mx.sym.L2Normalization(data = cdata)      return cdata</pre>    <p>Triple loss用的 Simultaneous Feature Learning and Hash Coding with Deep Neural Networks 里的定义：</p>    <p><img src="https://simg.open-open.com/show/3c9ee72e5ffa966e45e271c2f95eb244.png"></p>    <p>Triple Loss</p>    <p>下面是在cifar10数据集上测试的结果。为了形象的表示，采用了图片检索的方式（因为不是论文，所以就不那么严谨了）。在训练集上学习图片的表示，然后对于测试集的一张随机图片，找到测试集上和他最相似的其他图片：</p>    <p style="text-align: center;"><img src="https://simg.open-open.com/show/0383550c1c8f393a0879391569cbe638.png"></p>    <p style="text-align: center;">cifar_triple.png</p>    <p>在其他的论文中还有一些其它评测方式，比如学习到表示后，用一个SVM去学习分类，看看分类的准确度相比End－End的CNN如何。基本的结论都是精度会稍微低一些，但是没用明显区别。这说明学到的表示是靠谱的。</p>    <p> </p>    <p> </p>    <p>来自：http://www.jianshu.com/p/70a66c8f73d3</p>    <p> </p>