СледваСледващо ръководство
Метрики за разстояние в машинното обучение
Основи
РЪКОВОДСТВО по основи
Загуба на тройка и научаване на метрика
Триплетната загуба учи невронна мрежа да поставя подобни елементи близо един до друг и различни елементи далеч един от друг в пространството за вграждане.
Чуйте това ръководствоAI-разказан · ~2 min
На тази страница2 минути четене
Преглед
Това е основата зад системите за разпознаване на лица, търсене на изображения и препоръки, които трябва да сравняват нещата, а не просто да ги класифицират.
Дълбоко гмуркане
Метричното обучение обучава модел за създаване на вграждания, вектори, където разстоянието отразява сходството. Триплетната загуба прави това, като използва три входа наведнъж: котва, положителен (същия клас като котвата) и отрицателен (различен клас). Целта приближава котвата по-близо до положителното, отколкото до отрицателното поне с фиксиран марж. Формално загубата е max(0, d(a,p) - d(a,n) + марж), където d обикновено е евклидово разстояние. FaceNet на Google от 2015 г. популяризира този подход, научавайки директно 128-измерни вграждания на лица. Веднъж обучени, сравнявате всеки два елемента чрез изчисляване на разстоянието, не е необходимо повторно обучение за нови самоличности. Тази способност за отворен набор е причината, поради която метричното учене не може лесно да се справи с проверката и класификацията на задачите за извличане.
Внедряване в реалния свят
Лицева проверка в стил FaceNet: телефоните и паспортните врати потвърждават самоличността, като проверяват дали две вградени лица попадат в рамките на прага на разстояние.
Визуално търсене на продукти: сайтовете за електронна търговия позволяват на купувачите да качат снимка и да извлекат визуално подобни артикули чрез търсене в най-близкия съсед.
Проверка на високоговорителя: гласовите асистенти вграждат гласова проба и я сравняват с регистриран профил, за да потвърдят кой говори.
Проверка на подпис и почерк: банките вграждат референтни подписи и заявки и фалшификати, когато разстоянието надвишава наученото поле.
Бъдещето на загубата на триплети и обучението на метрики
Чистата загуба на триплет все повече се заменя от цели за цялата партида, като мулти-сходство, прокси-котва и контрастни загуби (InfoNCE), които сравняват много двойки на стъпка и се сближават по-бързо. Методите за самоконтрол като SimCLR показват, че обучението на метрики може да работи без етикети, като третира разширените изгледи като положителни. Тъй като векторните бази данни и генерирането с увеличено извличане нарастват, научените вграждания са в основата на семантичното търсене в мащаб от милиард елементи, така че основната идея за разстоянието като подобие става все по-централна, дори когато специфичната формулировка на триплета избледнява.
Прилагайки го на практика
Защо има значение
- По-ясни решения. Помага ви да отделите ясните технически твърдения от маркетинговия език.
- Разходи и бюджет. Можете да задавате въпроси за по-добро внедряване, преди да харчите пари или време.
- Екип и работен процес. Екипи със споделено разбиране вземат по-добри решения за продукти, политики и обучение.
Внимавайте за
- Различните екипи могат да използват един и същи термин по различен начин, така че дефинирайте обхвата рано.
- Бенчмарковете могат да изглеждат силни, докато производителността в реалния свят е неравномерна.
- Пренебрегването на качеството на данните и плановете за оценка често създава крехки резултати.
Следващи стъпки
- Започнете с дефиниция на обикновен език за резултата, от който се нуждаете.
- Изберете един показател за успех и едно условие за неуспех преди тестване.
- Изпълнете малък пилотен проект с представителни данни, а не изпипан демонстрационен набор.
- Документирайте къде Triplet Loss и Metric Learning помагат и къде по-простите методи са по-добри.
Продължете да изследвате
Безплатен бюлетин
Получавайте дневния AI бюлетин
Три проверени AI истории всяка делнична сутрин, написани на достъпен език. Безплатно завинаги, без реклами.
Един имейл всеки делничен ден. Отписване с едно кликване. Никога не продаваме и не споделяме вашия имейл адрес.
Тествайте себе си
Take the Triplet Loss and Metric Learning quiz
Незабавна обратна връзка за всеки отговор и сертификат за споделяне с подлежащ на проверка идентификационен номер, след като преминете курс.
Подкрепете безплатното AI образование. AI Understanding е 501(c)(3) с нестопанска цел — без реклами, без платен достъп, никога. Направете дарение
Често задавани въпроси
Какво е триплетна загуба и обучение на показатели?
Триплетната загуба учи невронна мрежа да поставя подобни елементи близо един до друг и различни елементи далеч един от друг в пространството за вграждане. Това е основата зад системите за разпознаване на лица, търсене на изображения и препоръки, които трябва да сравняват нещата, а не просто да ги класифицират.
Кои три входа съставляват триплет при загуба на триплет?
Триплетът се състои от котва, позитив, който споделя класа на котвата, и негатив от различен клас.
Защо триплетната загуба включва маржин термин?
Без марж, моделът може да картографира всичко в една и съща точка, правейки всички разстояния нула и тривиално задоволяване на загубата. Маржът налага истинска раздяла.
Коя известна система от 2015 г. популяризира загубата на триплети за разпознаване на лица?
FaceNet на Google използва загуба на триплет, за да научи компактни вграждания на лица и да постави еталон за проверка на лица.
Какво извежда обучен модел за обучение на метрика за всеки вход?
Моделът картографира входове към вектори за вграждане; след това сравнявате елементи, като измервате разстоянието между техните вграждания.
Защо метричното обучение е подходящо за проблеми с отворен набор като добавяне на нови лица?
Тъй като разпознаването се основава на разстоянието на вграждане, можете да регистрирате нова самоличност, просто като съхраните нейното вграждане, без да е необходимо повторно обучение на модела.
Продължавай да учиш
Свързани ръководства
Още ръководства, избрани за тази тема