[loss]Triphard loss优雅的写法

之前一直自己手写各种triphard，triplet损失函数， 写的比较暴力，然后今天一个学长给我在github上看了一个别人的triphard的写法，一开始没看懂，用的pytorch函数没怎么见过，看懂了之后， 被惊艳到了。。因此在此记录一下，以及详细注释一下

class TripletLoss(nn.Module):

    def __init__(self, margin=0.3):

        super(TripletLoss, self).__init__()

        self.margin = margin

        self.ranking_loss = nn.MarginRankingLoss(margin=margin)  # 获得一个简单的距离triplet函数

    def forward(self, inputs, labels):

        n = inputs.size(0)  # 获取batch_size

        # Compute pairwise distance, replace by the official when merged

        dist = torch.pow(inputs, 2).sum(dim=1, keepdim=True).expand(n, n)  # 每个数平方后， 进行加和（通过keepdim保持2维），再扩展成nxn维

        dist = dist + dist.t()  # 这样每个dis[i][j]代表的是第i个特征与第j个特征的平方的和

        dist.addmm_(1, -2, inputs, inputs.t())  # 然后减去2倍的 第i个特征*第j个特征 从而通过完全平方式得到 (a-b)^2

        dist = dist.clamp(min=1e-12).sqrt()  # 然后开方

        # For each anchor, find the hardest positive and negative

        mask = labels.expand(n, n).eq(labels.expand(n, n).t())  # 这里dist[i][j] = 1代表i和j的label相同， =0代表i和j的label不相同

        dist_ap, dist_an = [], []

        for i in range(n):

            dist_ap.append(dist[i][mask[i]].max().unsqueeze(0))  # 在i与所有有相同label的j的距离中找一个最大的

            dist_an.append(dist[i][mask[i] == 0].min().unsqueeze(0))  # 在i与所有不同label的j的距离找一个最小的

        dist_ap = torch.cat(dist_ap)  # 将list里的tensor拼接成新的tensor

        dist_an = torch.cat(dist_an)

        # Compute ranking hinge loss

        y = torch.ones_like(dist_an)  # 声明一个与dist_an相同shape的全1tensor

        loss = self.ranking_loss(dist_an, dist_ap, y)

        return loss