Hàm mất mát khoảng cách bộ ba Triplet Margin Loss (Metric Learning)
Trong học không gian biểu diễn (Metric Learning / FaceNet / Dense Passage Retrieval), mục tiêu là kéo các vector cùng lớp (Anchor và Positive) lại gần nhau, đồng thời đẩy các vecto…
Tiến độ của tôi ở bài này
Điểm được lưu vào tài khoản sau khi chấm bài.
Đang tải điểm của bạn…
Kiến thức và chủ đề
Kiến thức tiên quyết: contrastive-loss-embedding, pairwise-euclidean-distance-matrix.
Nội dung đề bài
Mô tả bài toán
Trong học không gian biểu diễn (Metric Learning / FaceNet / Dense Passage Retrieval), mục tiêu là kéo các vector cùng lớp (Anchor và Positive) lại gần nhau, đồng thời đẩy các vector khác lớp (Anchor và Negative) ra xa nhau ít nhất một khoảng lề α > 0: L(a, p, n) = max ( 0, |a - p|22 - |a - n|22 + α ) hoặc sử dụng khoảng cách Euclidean không bình phương L = max(0, |a - p|2 - |a - n|2 + α). Khi d(a, n) > d(a, p) + α, loss bằng 0 (mẫu đã thỏa mãn điều kiện cách ly an toàn).
Hãy viết hàm triplet_margin_loss(anchor: np.ndarray, positive: np.ndarray, negative: np.ndarray, margin: float = 1.0, p_norm: int = 2, swap: bool = False) -> float:
anchor,positive,negative: ba ma trận NumPy 2D kích thước (B, D) kiểu float64.margin: khoảng lề α > 0.p_norm: chuẩn đo khoảng cách L1 hoặc L2 (p=1 hoặc p=2).swap: nếuTrue, sử dụng khoảng cách âm nhỏ nhất giữa d(a, n) và d(p, n): dn = min(d(a, n), d(p, n)) (thuật toán Triplet Swap của Balntas et al.).- Trả về giá trị mất mát trung bình trên batch dạng float.
Input
- Hàm
triplet_margin_loss(anchor,positive,negative,margin,p_norm,swap): Các tham số đầu vào chứa dữ liệu Tensor/mảng NumPy hoặc giá trị siêu tham số tương ứng.
Output
- Hàm
triplet_margin_loss: Trả về kết quả kiểufloattheo đúng đặc tả kỹ thuật và kích thước quy định.
Ràng buộc
- Thời gian chạy tối đa: 6000ms.
- Giới hạn bộ nhớ: 512MB.
- Dữ liệu đầu vào hợp lệ theo đúng kiểu dữ liệu và miền giá trị được mô tả.
Ví dụ 1
Input
a = np.array([[0.0, 0.0]])
p = np.array([[1.0, 0.0]])
n = np.array([[5.0, 0.0]])
loss = triplet_margin_loss(a, p, n, margin=1.0)Output
0Giải thích
Hàm/lớp được gọi với các tham số mẫu trên và trả về kết quả số học / kích thước tensor tương ứng theo đúng thiết kế.
Ví dụ 2
Input
a = np.array([[0.0]])
p = np.array([[2.0]])
n = np.array([[1.0]])
loss = triplet_margin_loss(a, p, n, margin=1.0)Output
2Giải thích
Hàm/lớp được gọi với các tham số mẫu trên và trả về kết quả số học / kích thước tensor tương ứng theo đúng thiết kế.
Gợi ý và lời giải chỉ mở sau khi bạn bấm Nộp bài. Giáo viên và quản trị viên mở được ngay.
Góp ý & báo lỗi bài tập
Đề bài chưa rõ, test có vấn đề hay bạn có ý tưởng giúp bài tốt hơn? Gửi cho đội ngũ AI Empire nhé — mỗi góp ý đều được đọc.