pytorch-center-loss

收录理由

中心损失的核心思路很直接：在识别任务里额外加一项约束，让每个样本向它所属类别的中心靠拢，这样一来，同类特征自然聚拢，不同类别之间也保持可分离性。这个仓库正是围绕这一目标搭建的，用 PyTorch 实现了 Wen 等人在 2016 年论文中提出的方法，而 deep-person-reid 项目也采用了同样的损失函数。实际有用的代码集中在一个很小的文件里，你可以直接复制到现有训练流程中，不必为了一个损失函数去引入庞大的库。仓库还附带了一个可运行的 MNIST 演示，训练时分别打印 softmax 损失和中心损失的数值，随着迭代进行，你能清楚看到这两个项如何相互权衡。与其说它是独立成品，不如说是一份干净利落的参考模板——当你打算在自己模型里实现判别式特征学习时，这种形式正是最顺手的样子。