損失函數Center Loss 代碼解析

center loss來自ECCV2016的一篇論文：A Discriminative Feature Learning Approach for Deep Face Recognition。 
論文鏈接：http://ydwen.github.io/papers/WenECCV16.pdf 
代碼鏈接：https://github.com/davidsandberg/facenet

理論解析請參看 https://blog.csdn.net/u014380165/article/details/76946339

下面給出centerloss的計算公式以及更新公式

 

 

下面的代碼是facenet作者利用tensorflow實現的centerloss代碼

def center_loss(features, label, alfa, nrof_classes):
    """Center loss based on the paper "A Discriminative Feature Learning Approach for Deep Face Recognition"
       (http://ydwen.github.io/papers/WenECCV16.pdf)
       https://blog.csdn.net/u014380165/article/details/76946339
    """
    nrof_features = features.get_shape()[1]
　　#訓練過程中，需要保存當前所有類中心的全連接預測特征centers， 每個batch的計算都要先讀取已經保存的centers
    centers = tf.get_variable('centers', [nrof_classes, nrof_features], dtype=tf.float32,
        initializer=tf.constant_initializer(0), trainable=False) 
    label = tf.reshape(label, [-1])
    centers_batch = tf.gather(centers, label)#獲取當前batch對應的類中心特征
    diff = (1 - alfa) * (centers_batch - features)#計算當前的類中心與特征的差異，用於Cj的的梯度更新，這里facenet的作者做了一個 1-alfa操作，比較奇怪，和原論文不同
    centers = tf.scatter_sub(centers, label, diff)#更新梯度Cj，對於上圖中步驟6，tensorflow會將該變量centers保留下來，用於計算下一個batch的centerloss
    loss = tf.reduce_mean(tf.square(features - centers_batch))#計算當前的centerloss 對應於Lc
    return loss, centers