文章here提到了一种为卷积神经网络生成三元组的智能方法（为了生成面嵌入）。
对于包含n张图像的小批量，只有半硬三联用于学习（包含半硬阴影的三元组，它们是负图像足够接近锚图像。）
在我们的实验中，我们对训练数据进行采样，大约40个 每个小批量的每个标识选择面。另外， 随机抽样的负面被添加到每个小批量。
我做了什么
我在Wild数据集中使用Labeled Faces进行训练（13233个图像，5749个人，1680个人有两个或更多图像，每个批次我选择了一个锚点，一些正面（意思是我）只能使用 1680批次，因为我需要一个人的多个图像）和负片 - 随机选择的其他人的图像。
我的训练集出了点问题。迷你批次是否应包含更多锚点？
我们使用所有锚定阳性，而不是选择最难的阳性 在小批量中配对，同时仍然选择硬底片
在线生成三元组。这可以通过选择硬盘来完成 小批量内的正/负样本。
要选择我需要计算三胞胎嵌入的半硬底片。所以我需要通过三重神经网络进行传递，并比较嵌入。然后，我需要使用硬三元组计算损失函数 。这就是我认为我必须做的事情。
我使用三个卷积神经网络和共享参数（四个具有最大池和一个完全连接层的卷积层）。 我没有使用在线三元组生成，因为我无法理解它是如何完成的。它导致精度不超过70％。
答案 0 :(得分：1)
这个三元组网络不是最先进的方法，但绝对是该领域最好的里程碑之一。这不是那么直观，但我们开始了：
您的意思是正确的：在训练期间，在您定义的每个“时期”之后，您使用您的嵌入模型来计算您的图库和查询的嵌入。然后，您想要创建那些“半硬”三元组。因此，假设您有 person1，即锚点，您尝试将其与其他所有人（person2、3 等）匹配。然后，你想取一个离他最近的，也许用一个阈值来定义它足够接近，这样你就可以称之为难。那是消极的。对于积极的，你也可以尝试采取离他最远的一个，但这不一定是好的。对不良数据要谨慎。你至少需要有一个积极的。
所以现在每个人都有一个三元组：1 个锚点、1 个否定（最接近）和 1 个肯定。你可以在整个数据集上预先计算这个，或者随机选择足够大的列表，这样你就有足够的时间来填充一个纪元。完成此操作后，您就可以使用这些三元组并填充一个批次。
您在每个时期重复该计算以生成新的三元组以用于下一个时期。您这样做的次数越多，您获得的“在线”就越多。 必须重复的原因是嵌入模型发生了变化。所以你可能已经改进了以前的“困难”，但现在模型处理得更好，其他情况因此变得“困难”。所以它一定是一个迭代的过程。您可以将其视为某种期望最大化，其中期望是您计算数据距离的地方，而最大化是最小化嵌入模型的损失（最大化可能性/准确性）。然后重复。
作者在论文中提到的另一件事是批处理的一部分是这样完成的（负挖掘），而其他的只是通过随机选择的负样本（从负池中）来完成，以保持嵌入空间的完整性。一旦你的模型训练得足够多，这实际上是一种浪费，因为如果负样本很远，由于边际损失，损失可能为 0，对网络没有任何梯度。这就是为什么你没有得到很好的准确度的部分原因——模型看到了他正确处理的东西。仅通过随机选择遇到“硬”三元组的概率相对较低（想想三元组空间的复杂性）。
所以基本上这个想法是有三元组的批次会导致损失，所以你将最小化改进模型的东西，而不是每隔很长一段时间都会遇到一个硬三元组。这对于将此类模型提高到它实际上值得信赖的准确度水平（FRR@FAR-wise）极其重要。
最后，关于此使用批次中的所有正数 - 您也可以使用所有负数。因此，您可能在一批中拥有同一个人的两个主播，或者甚至一个主播对另一个主播是负面的。您可以批量计算所有成对距离，然后将它们用作样本。不过也需要平衡一下。编码也更复杂，因为您需要小心，考虑哪个嵌入属于谁，相应地将其称为正面或负面。