SeterusnyaPanduan seterusnya
Metrik Jarak dalam Pembelajaran Mesin
Asas
PANDUAN Asas
Tiga Kerugian dan Pembelajaran Metrik
Kehilangan tiga kali ganda mengajar rangkaian saraf untuk meletakkan item yang serupa rapat dan item yang berbeza berjauhan dalam ruang pembenaman.
Dengar panduan iniAI-diceritakan · ~2 min
Pada halaman ini2 min dibaca
Gambaran keseluruhan
It is the foundation behind face recognition, image search, and recommendation systems that need to compare things rather than just classify them.
Menyelam dalam
Pembelajaran metrik melatih model untuk menghasilkan benam, vektor yang jarak mencerminkan persamaan. Kehilangan triplet melakukan ini menggunakan tiga input pada satu masa: sauh, positif (kelas yang sama dengan sauh), dan negatif (kelas berbeza). Objektif menolak sauh lebih dekat kepada positif daripada negatif dengan sekurang-kurangnya margin tetap. Secara rasmi, kerugian adalah maks(0, d(a,p) - d(a,n) + margin), di mana d biasanya jarak Euclidean. FaceNet 2015 Google mempopularkan pendekatan ini, mempelajari benam muka 128 dimensi secara langsung. Setelah dilatih, anda membandingkan mana-mana dua item dengan mengira jarak, tiada latihan semula diperlukan untuk identiti baharu. Keupayaan set terbuka inilah sebabnya pengesahan kuasa pembelajaran metrik dan klasifikasi tugasan mendapatkan semula tidak dapat dikendalikan dengan mudah.
Pelaksanaan Dunia Sebenar
Pengesahan muka gaya FaceNet: telefon dan pintu pasport mengesahkan identiti dengan menyemak sama ada dua benam muka berada dalam ambang jarak.
Carian produk visual: tapak e-dagang membenarkan pembeli memuat naik foto dan mendapatkan semula item yang serupa secara visual melalui carian pembenaman jiran terdekat.
Pengesahan pembesar suara: pembantu suara membenamkan sampel suara dan membandingkannya dengan profil berdaftar untuk mengesahkan siapa yang bercakap.
Pengesahan tandatangan dan tulisan tangan: bank membenamkan tandatangan rujukan dan pertanyaan serta pemalsuan bendera apabila jaraknya melebihi margin yang dipelajari.
Masa Depan Kerugian Bertiga dan Pembelajaran Metrik
Kehilangan triplet tulen semakin digantikan dengan objektif seluruh kelompok seperti kesamaan berbilang, sauh proksi dan kerugian kontrastif (InfoNCE) yang membandingkan banyak pasangan setiap langkah dan menumpu lebih cepat. Kaedah penyeliaan sendiri seperti SimCLR menunjukkan pembelajaran metrik boleh berfungsi tanpa label dengan menganggap pandangan tambahan sebagai positif. Memandangkan pangkalan data vektor dan lonjakan penjanaan ditambah perolehan, pembenaman yang dipelajari menyokong carian semantik pada skala bilion item, jadi idea teras jarak-sebagai-kesamaan menjadi lebih penting, walaupun rumusan triplet tertentu semakin pudar.
Mempraktikkannya
Mengapa ia penting
- Keputusan yang lebih jelas. Ia membantu anda memisahkan tuntutan teknikal yang jelas daripada bahasa pemasaran.
- Kos dan bajet. Anda boleh bertanya soalan pelaksanaan yang lebih baik sebelum menghabiskan wang atau masa.
- Pasukan dan aliran kerja. Pasukan yang berkongsi pemahaman membuat keputusan produk, dasar dan pembelajaran yang lebih baik.
Berhati-hati untuk
- Pasukan yang berbeza mungkin menggunakan istilah yang sama secara berbeza, jadi tentukan skop lebih awal.
- Penanda aras boleh kelihatan kukuh manakala prestasi dunia sebenar tidak sekata.
- Mengabaikan kualiti data dan rancangan penilaian sering menghasilkan hasil yang rapuh.
Langkah seterusnya
- Mulakan dengan definisi bahasa biasa hasil yang anda perlukan.
- Pilih satu metrik kejayaan dan satu keadaan kegagalan sebelum ujian.
- Jalankan juruterbang kecil dengan data perwakilan, bukan set demo yang digilap.
- Dokumen di mana Triplet Loss dan Pembelajaran Metrik membantu dan kaedah yang lebih mudah adalah lebih baik.
Teruskan Meneroka
Newsletter percuma
Dapatkan taklimat AI harian
Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.
Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.
Uji diri anda
Take the Triplet Loss and Metric Learning quiz
Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.
Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma
Soalan lazim
What is Triplet Loss and Metric Learning?
Kehilangan tiga kali ganda mengajar rangkaian saraf untuk meletakkan item yang serupa rapat dan item yang berbeza berjauhan dalam ruang pembenaman. Ia adalah asas di sebalik pengecaman muka, carian imej dan sistem pengesyoran yang perlu membandingkan sesuatu dan bukannya hanya mengelaskannya.
Apakah tiga input yang membentuk triplet dalam kehilangan triplet?
Triplet terdiri daripada sauh, positif yang berkongsi kelas sauh, dan negatif dari kelas yang berbeza.
Mengapakah kerugian triplet termasuk istilah margin?
Tanpa margin, model boleh memetakan segala-galanya ke titik yang sama, menjadikan semua jarak sifar dan secara remeh memuaskan kerugian. Margin memaksa pemisahan sebenar.
Sistem terkenal 2015 manakah yang mempopularkan kehilangan tiga kali ganda untuk pengecaman muka?
FaceNet Google menggunakan kehilangan tiga kali ganda untuk mempelajari benam muka padat dan menetapkan penanda aras dalam pengesahan muka.
Apakah output model pembelajaran metrik terlatih untuk setiap input?
Model memetakan input untuk membenamkan vektor; anda kemudian membandingkan item dengan mengukur jarak antara benamnya.
Mengapakah pembelajaran metrik sangat sesuai untuk masalah set terbuka seperti menambah muka baharu?
Oleh kerana pengecaman adalah berdasarkan jarak benam, anda boleh mendaftarkan identiti baharu hanya dengan menyimpan pembenamannya, tiada latihan semula model diperlukan.
Teruskan belajar
Panduan berkaitan
Lebih banyak panduan dipilih untuk topik ini