为什么triplet loss有效？

0x00 triplet loss简介

深度学习领域有一块非常重要的方向称之为metric learning，其中一个具有代表性的方法就是triplet loss，triplet loss的基本思想很清晰，就是让同一类别样本的feature embedding尽可能靠近，而不同类别样本的feature embedding尽可能远离，其中样本的feature embedding是通过同一个深度神经网络抽取得到的。

在triplet loss中，我们会选取一个三元组，首先从训练集中选取一个样本作为Anchor，然后再随机选取一个与Anchor属于同一类别的样本作为Positive，最后再从其他类别随机选取一个作为Negative，这里将样本的feature embedding记为$x$，那么一个基本的三元组triplet loss如下：

其中$\alpha$为margin；上式要求Negative到Anchor的距离至少要比Positive到Anchor的距离大$\alpha$，显然$\alpha$越大不同类别之间的可区分性就越强，相应的训练难度也越大。当然也可以把$\alpha$设为0，这样条件就放的比较宽松了，但是triplet loss的优势也就很难体现出来了。

在triplet loss基础上，又衍生出了其他许多改进和变体，例如一个比较有效的方法叫hard mining，在三元组选择过程中加入一些特定的策略，尽量选择一些距离Anchor较远的Positive和距离Anchor较近的Negative（也就是最不像的同类样本、最像的不同类样本）……此类方法还有许多，就不一一列举了。

然而triplet loss虽然有效，但是其常为人诟病的缺点也很明显：训练过程不稳定，收敛慢，需要极大的耐心去调参……所以在很多情况下，我们不会单独使用triplet loss，而是将其与softmax loss等方法相结合使用，以稳定训练过程。

关于triplet loss的基本介绍就到这里，这不是本文的重点。本文关注的点是对triplet loss本质的探索，以及triplet loss和原来的softmax loss的关联，为什么它在不显示的引入label的情况下能够近似的达到分类的效果？最近在读到A Theoretically Sound Upper Bound on the Triplet Loss for Improving the Efficiency of Deep Distance Metric Learning这篇论文后，结合我们之前做的一些实践认知和经验，似乎有了更进一步的认识，这里会有一点涉及到理论层面的分析（也就是公式推导，但并不复杂）。总而言之我们会发现，triplet loss在某种意义上而言和我们用softmax loss并没有什么不同，只不过它对分类边界上的要求更为严格。

0x01 一点点理论分析

我们回到triplet loss当中三元组的基本形式，首先约定一些符号（与上面提到的那篇论文保持一致），假定训练集样本总量为$N$，定义同类别样本集合$S = \{(i,j) \mid y_i = y_j \}_{i,j\in \{1,\cdots N \}}$，那么最基本的triplet loss表达式形式如下（为了简化问题，我们暂时忽略了margin这一项）

直接对上面两个式子做变换是比较困难的，如果假定每一个类别都有自己的一个类中心$c_m$，当然这个类中心和所有的样本处于同一个embedding空间，$\mathcal{C}=\{c_m\}_{m=1}^C$，其中$c_m\in \mathbb{R}^D$

通过引入这样一个辅助的类中心点，我们可以利用三角不等式写出如下式子：

根据上面几个式子，我们可以写出$l_t(x_i,x_j,x_k)$的一个上界$l_d(x_i,x_j,x_k)$，如下

当然这只是其中一个三元组的loss，还不太容易观察出规律，如果考虑整个训练集上所有可能的三元组，累加得到整体的triplet loss就可以看出一些有意思的东西了。那么符合条件的三元组有多少个呢？为了简化分析流程，我们要做一个合理的假定，那就是训练集当中每个类别的样本数量是相等的（不相等的话可以通过采样的方式使之相等），通过简单的排列组合知识可以得出三元组的个数为$A_C^2 \cdot A_{\frac{N}{C}}^2 \cdot C_{\frac{N}{C}}^1$；然后我们仔细观察式(5)可以发现，它实际上是由两部分构成的，一部分是样本减去其对应的类中心，另一部分是样本减去其他类别的类中心。所以稍微整合一下即可得到整体的triplet loss，如下所示：

其中$G=3(C-1)(\frac{N}{C}-1)\frac{N}{C}$，很明显，$L_d(T,S)$是$L_t(T,S)$的一个上界，优化$L_d(T,S)$与优化$L_t(T,S)$在方向上是一致的。另外，观察式(6)可以发现，其物理意义就是缩小样本feature与所属类别类中心点的距离，同时扩大与其他类中心点的距离。

为了更严谨一些，我们还是要分析上界$L_d(T,S)$与$L_t(T,S)$到底相差多少？在满足什么条件的情况下，这个差异可以忽略不计？答案是centroid的选取要足够的均匀，centroids之间的最大与最小距离最好能保持一致。

论文当中给出了如下定理：

假定$\Vert x_i-c_{y_i}\Vert < \epsilon/2, \epsilon\geq0,1\leq i \leq N$，令$k_{min}=\min_{1\leq m,n\leq C,m\neq n}\Vert c_m-c_n \Vert$，$k_{max}=\max_{1\leq m,n\leq C,m\neq n} \Vert c_m-c_n\Vert$，则有$0\leq L_d(T,S)-L_t(T,S) \leq H(k_{max}-k_{min}+3\epsilon)$，其中$H=(\frac{N}{C}-1)N(N-\frac{N}{C})$为所有可能的三元组个数

具体的证明大家可以参考原论文，从定理中我们可以知道，$\epsilon$表示的是每个类的直径，而$k_{max}$与$k_{min}$是可以通过合理设置centroid控制的，理想情况下可以让二者相等。随着训练的进行，最终每个样本距离自己类别centroid的距离会越来越小，最终的$\epsilon$也会变的很小，此时$L_d(T,S)$就非常趋近于$L_t(T,S)$了

那么分析到这里我们可以先暂停一下，回忆一下人脸领域当中经常使用的ArcFace、CosFace或者SphereFace等系列方法。那么这些方法通常会对softmax输出进行一些调整，以达到缩小类内间距，增大类间间距的目的。

一般分类问题当中，我们有一个共识就是最后全连接层的权重$W$，其每一列实际上表示的是正是对应类别的类中心点，尤其是在上述魔改softmax下；对所有属于类别$c$的样本$\{x_i \mid y_i=c \}_{ i \in \{1,\cdots,N \}}$

需要满足$W_{c}x_{i}$最大，实际上就是要求二者夹角最小；

而对所有属于类别不属于$c$的样本$\{x_j \mid y_j \neq c\}_{j \in \{1,\cdots,N \}}$，

则需要满足$W_{c}x_{j}$尽可能小，也就是要求二者夹角尽可能大，至少要比$W_c$与$x_i$类内最大夹角要大。文字描述起来不太直观，直接上公式

由于在魔改系列的softmax当中，一般都会提前进行norm操作，所以$\Vert W_i\Vert$和$\Vert x_i\Vert$的值均为1，偏置$b$在很多情况下也会被舍弃，所以我们唯一需要考虑的就是$\cos\theta$这一项，也就是要考虑样本和对应权重的夹角。观察分子和分母之间的关系，显然同类之间夹角越小($\cos\theta$越大)，不同类之间夹角越大($\cos\theta$越小)，分类的效果越好。然而普通的softmax这样分类就比较简单了，很容易收敛，得到的决策边界也就不是特别严格。所以为了提高分类效果，各种魔改softmax出现了，有的是把分子的$\cos\theta$变成$\cos m\theta$，有的是把$\cos\theta$变成$\cos\theta-m$，等等不一而足；总之无非就是想增加一下分类的难度，让决策边界变的更为紧凑。

最终能够满足条件的$W_c$其实也就是样本embedding集合$\{x_i \mid y_i=c\}_{i\in\{1,\cdots,N\}}$的类中心点了。

对比式(6)和式(7)我们发现，二者都涉及到了类中心centroid，只不过在triplet loss上界版中我们是显示的指定，而在softmax中是隐式的等同于权重$W$，差异无非是一个使用了余弦距离，而另外一个使用了欧式距离，实际上在做了归一化的情况下，余弦距离和欧式距离是等价的（只有系数上的差异）。所以总的来看，triplet loss与魔改softmax之间并没有什么本质上的区别。

但是从引入centroid这一点来看，我们还是能够得到不少启发的。在前面提到的论文当中，关于centroid的初始化，提到了两种策略：一种是one-hot centroids，另一种是K-means centroids，两者的目的都是为了保证类中心点足够的均匀，且相对距离相等。然而，反观FC层权重W的初始化，一般都是默认的随机初始化(可能会用xavier初始化或者kaiming初始化)。这种方式的缺点很明显，一旦重新训练，原来的embedding和新训练得到的embedding就相差甚远了，即使他们属于同一个类别。而采用可控的centroid初始化策略，不仅可以保证每次训练得到的embedding不会有太大变化，也便于未来对类别数量进行扩展（往里面加入新的centroid即可，其初始位置需要满足一定的距离约束），具体这样做行不行还需要进行实验验证。

0x02 从直观上说明为什么triplet loss不稳定

最后我们再来分析一下为什么单纯使用triplet loss效果不好，我们对比softmax的损失函数以及triplet loss上界版本的损失函数不难发现：softmax损失函数和triplet loss上界版本中，每一个batch的loss都能够兼顾全局的信息，并进行权重更新，这一点能够保证整个训练过程相对平滑稳定。其中softmax是天然如此，而triplet loss上界版则是通过引入centroid实现的。反观原始的triplet loss的形式，每个batch所涉及和更新的信息是非常局限的(只含2个类别)，如果不能设计合理的采样和训练策略，很容易出现的一种情况是某个类别的embedding分布不稳定、出现突变和跃迁，导致训练反复、难以收敛。

这也正是为什么单纯用triplet loss进行训练难以收敛的原因，一般都会配上softmax loss一起训练。然而，从业内实践上来看，由于数据量的上升和各种魔改softmax的出现，我们目前在训练reid模型的时候，已经不使用triplet loss了。当然，鉴于目前深度学习属于一个“实验科学”的范畴，任何一刀切的说法都是比较naive的，triplet loss在数据量有限的场景下依然是有它的用武之地的；而数据量达到百万级以上(标签数在十万量级以上)，那直接使用魔改softmax即可，收敛速度快效果又好，不用在triplet loss上苦苦调参了。

本文就是对triplet loss的一个小总结，及其与softmax等等之间的一些关联分析。如果我近期有时间做进一步的实验的话，再发出来供大家参考。最后还是要吹一波PyTorch，当初我们费了老大劲才写出来的triplet loss，现在PyTorch已经集成进去了TripletMarginLoss，又可以开心的当调包侠了呢~

如果觉得本文对您有帮助，欢迎打赏我一杯咖啡钱~