**特性：**
1. 基于投影平面角度，降维分离样本类型
2. $$m$$ 项代表被认为相似的确认半径
3. 样本相似则 $$y\_i = 1$$ ，样本不相似则 $$y\_i = 0$$
4. 增大类间差异并且减小类内差异，损失函数值最小时，两者达到均衡点
5. 当样本不相似时，预测距离在 $$D\_w < m$$ 的范围内，模型会试图增大不相似样本点之间的距离
6. 越接近样本情况，损失越小
7. 光滑（smooth），适合优化算法
8. 非指数计算，算力消耗相对较低
**对比损失（Contrastive Loss）** 函数是在 2006 年，由 R.Hadsell、S.Chopra、Y.LeCun 在论文《通过学习不变映射进行降维运算》[\[14\]](/avtm/apex_4_introduce/references_4.md) 中 ，提出的一种用来解决样本集中数据聚集过于密集，而导致的 **退化解（Degenerate Solutions）** 问题。
这种通过降维来寻找合适投影角度，来得到比较优秀的分离聚类的分类损失函数的想法，首次经过合理的论证，并进入广泛大众的视野。为后续 Triplet Loss、N-pair Loss 等，类似的通过分离特性来进行处理的损失函数，打下了基础。
对比损失中，输入的 $$y\_i$$ 指的是选取样本点 $$S\_i$$ 和某个类型标签的接近程度。 同理， $$prediction\_i$$ 则是模型预测的该样本 $$S\_i$$ 距离指定类型标签的结果。
为什么将之前通用的样本的类型概率数据，转为距离描述呢？这是因为，对比损失是通过 **确认半径（Margin）** 来得到优化的。对比损失函数结果越小，越认为当前权重所对应训练结果越接近实际情况。而方法对于预测距离小于确认半径的数据，取用 $$max(0,\ m - D\_i)^2$$ 拉高了损失函数的结果，达到淘汰分类的效果。
## **Contrastive Loss 算子化**
利用 C 语言实现对算子的封装，有：
```C
#include
#include
double contrastive_loss(double *y_true, double *y_pred, int size, double margin) {
double sum = 0;
for (int i = 0; i < size; i++) {
double distance = y_pred[i];
sum += y_true[i] * pow(distance, 2) +
(1 - y_true[i]) * pow(fmax(0, margin - distance), 2);
}
return sum / size;
}
int main() {
int size = 3;
double y_true[] = {0.5, 0.75, 1.0}; // single sample base 'cat' 'puppy' 'dog'
double y_pred[] = {0.6, 0.8, 0.9}; // single sample pred 'cat' 'puppy' 'dog'
// int num_classes = 3;
double margin = 0.2;
double loss_value = contrastive_loss(y_true, y_pred, size, margin);
printf("The contrastive loss is %f\n", loss_value);
return 0;
}
```
运行验证可得到结果：
```C
The contrastive loss is 0.1250000
```
---
# Agent Instructions: Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.
Perform an HTTP GET request on the current page URL with the `ask` query parameter:
```
GET https://arikanli.gitbook.io/avtm/apex_4_introduce/docs_4_5/docs_4_5_8.md?ask=
```
The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.