度量学习：让相似更近、异异更远

很多任务的核心不是「这是什么类」，而是「这两样有多像」。推荐去重、以图搜图、人脸验证，本质都在比较。度量学习（Metric Learning）的目标就是学出这样一个距离函数：把判断任务需要的「相似」直接编码进空间结构里，让同类样本自动聚拢、异类自然散开。

与分类、孪生网络的关系

分类模型学的是「输入到类别」的映射，最后一层往往绑定了固定的类别集合，换个新类就得重训。度量学习则学「输入到向量」的映射，相似度由向量间的距离给出，类别是开放可扩展的。孪生网络是实现度量学习的一种经典结构：它的对比损失、三元组损失，本质上都是在优化这个嵌入空间里的距离关系。

常用损失函数

最主流的优化目标有这样几类：

• 对比损失：成对训练，同类拉近、异类推远到边界之外。
• 三元组损失：锚点、正例、负例三者约束，要求正例比负例更近，并保留一个间隔。
• 分类式损失（如基于 softmax 的嵌入）：把嵌入送入一个可学习的度量头，间接优化区分度。

其中难例挖掘很关键：一味用容易区分的样本训练，模型学不到边界信息；挑出「靠得近的异类」与「离得远的同类」重点打磨，空间质量会明显提升。

嵌入空间里的取舍

一个好度量并不只是「分开了」就行，还要兼顾：

• 泛化：对没见过的新类也要保持合理的距离关系。
• 紧凑：向量维度不宜过高，否则距离计算昂贵且容易过拟合。
• 稳定：同一个体的不同拍摄、不同表述应当映射到邻近区域，不能因无关变化而跳变。

这往往需要在损失里同时约束类内紧凑与类间可分，而不是只盯住一边。

落地场景

度量学习常见于人脸识别、商品检索、声纹验证、文本语义匹配等需要「比较而非列举」的场景。它特别适合类别多、新增频繁或每类样本少的业务：新增一个类别不需要重新训练整套分类器，只要把新样本嵌入后参与比较即可。

小结

度量学习把目标从分类转为学习距离函数，让同类在嵌入空间聚拢、异类散开。它与孪生网络一脉相承，靠对比或三元组等损失优化空间结构，并以难例挖掘提升边界质量，因此在开放类别、少样本与检索匹配类任务中格外有用。

参考与延伸阅读

• Kulis, Belongie 等关于度量学习的综述与近邻约束方法。已核验。
• Schroff et al. FaceNet（CVPR 2015）中的三元组损失实践。已核验。
• 各开源度量学习库对采样策略与默认超参的实现差异，以对应项目文档为准。待核实。