三元组损失定义如下：

L(A, P, N) = max(‖f(A) - f(P)‖² - ‖f(A) - f(N)‖² + margin, 0)

其中 A=anchor、P=positive 和 N=negative 是损失中的数据样本，margin 是锚点与正/负样本之间的最小距离。

我曾在某处读到可以用 (1 - cosine_similarity) 来代替 L2 distance。

请注意，我使用的是 Tensorflow – 余弦相似度损失的定义是，当其为-1到0之间的负数时，0表示正交，值越接近-1表示相似度越大。值越接近1表示差异性越大。因此，它与余弦相似度度量是相反的。

关于如何使用余弦相似度编写我的三元组损失，有什么建议吗？

编辑

答案（评论和答案）中都有很好的内容。根据所有提示 – 这对我来说运作良好：

 self.margin = 1 self.loss = tf.keras.losses.CosineSimilarity(axis=1) ap_distance = self.loss(anchor, positive) an_distance = self.loss(anchor, negative) loss = tf.maximum(ap_distance - an_distance + self.margin, 0.0)

我最终希望使用@pygeek指出的tensorflow附加损失，但我还没有弄清楚如何传递数据。

注意要独立使用它 – 必须做类似这样的事情：

cosine_similarity = tf.keras.metrics.CosineSimilarity()cosine_similarity.reset_state()cosine_similarity.update_state(anch_prediction, other_prediction)similarity = cosine_similarity.result().numpy() 

资源

pytorch余弦嵌入层

tensorflow余弦相似度实现

tensorflow三元组损失硬/软边界

回答：

首先，Cosine_distance = 1 - cosine_similarity。距离和相似度是不同的。这在一些答案中没有正确提及！

其次，你应该查看TensorFlow代码，了解cosine similarity loss是如何实现的 https://github.com/keras-team/keras/blob/v2.9.0/keras/losses.py#L2202-L2272，这与PyTorch不同！！

最后，我建议你使用现有的损失：你应该用 tf.losses.cosineDistance(...) 替换 || ... ||^2。