WOLFRAM

Wolfram 语言与系统参考资料中心

ContrastiveLossLayer[]

表示一个损失层，基于距离参数和指定应该最小化或最大化距离的目标计算损失.

ContrastiveLossLayer[margin]

指定一个距离，对于 True 目标超过该距离损失为零.

更多信息和选项
Details and Options Details and Options
范例  
基本范例  
应用  
参见
技术笔记
相关指南
历史
按以下格式引用：

ContrastiveLossLayer

ContrastiveLossLayer[]

表示一个损失层，基于距离参数和指定应该最小化或最大化距离的目标计算损失.

ContrastiveLossLayer[margin]

指定一个距离，对于 True 目标超过该距离损失为零.

更多信息和选项

范例

打开所有单元 关闭所有单元

基本范例  (2)

创建给定边幅的 ContrastiveLossLayer：

Wolfram Language code: ContrastiveLossLayer[1.5]

创建 ContrastiveLossLayer：

Wolfram Language code: loss = ContrastiveLossLayer[]

将其应用于一些数据：

Wolfram Language code: loss[<|"Input" -> 0.1, "Target" -> True|>]

如果目标为 True，仅当输入距离小于默认边幅 0.5 时损失非零：

Wolfram Language code: loss[<|"Input" -> 0.1, "Target" -> True|>] loss[<|"Input" -> 0.6, "Target" -> True|>]

如果目标为 False，损失与输入距离成比例：

Wolfram Language code: loss[<|"Input" -> 0.1, "Target" -> False|>]

应用  (1)

训练多层感知器嵌入仅基于其拓扑结构的合成数据集. 首先，在平面上密集的螺旋状流形上创建训练数据：

Wolfram Language code: points = Table[r -> AngleVector[{r + RandomReal[5.5], r + RandomReal[0.1]}] / 15, {r, 0, 6Pi, .002}];
Wolfram Language code: Graphics[Point[Values@points], Frame -> True]

创建感知器：

Wolfram Language code: mlp = NetChain[{200, Ramp, 100, Ramp, 20, Tanh, 1}, "Input" -> 2];

创建损失网络，度量嵌入的效果：

Wolfram Language code: lossNet = NetPairEmbeddingOperator[mlp]

创建生成器，对点对采样，如果它们在流形上的参数化差异大于 Pi，则将它们关联为 True：

Wolfram Language code: sampler[n_] := Block[{a, b}, a = RandomSample[points, n]; b = RandomSample[points, n]; Thread[Transpose[Values /@ {a, b}] -> Thread[Abs[Keys[a] - Keys[b]] > Pi]]];
Wolfram Language code: sampler[4]

训练网络，使用生成器对点对采样，如果它们的原始参数化接近的话则将其归类为相同：

Wolfram Language code: trained = NetTrain[lossNet, sampler[#BatchSize]&, LossFunction -> ContrastiveLossLayer[], BatchSize -> 512, TimeGoal -> 120]

从网上提取嵌入：

Wolfram Language code: trainedMlp = NetExtract[trained, "Net"];

绘制由网络作为彩图了解的一维嵌入图形：

Wolfram Language code: ArrayPlot[Flatten /@ trainedMlp /@ CoordinateBoundsArray[1.3 * {{-1, 1}, {-1, 1}}, .05], ColorFunction -> Hue ]
Wolfram Research (2017)，ContrastiveLossLayer，Wolfram 语言函数，https://reference.wolfram.com/language/ref/ContrastiveLossLayer.html.

文本

Wolfram Research (2017)，ContrastiveLossLayer，Wolfram 语言函数，https://reference.wolfram.com/language/ref/ContrastiveLossLayer.html.

CMS

Wolfram 语言. 2017. "ContrastiveLossLayer." Wolfram 语言与系统参考资料中心. Wolfram Research. https://reference.wolfram.com/language/ref/ContrastiveLossLayer.html.

APA

Wolfram 语言. (2017). ContrastiveLossLayer. Wolfram 语言与系统参考资料中心. 追溯自 https://reference.wolfram.com/language/ref/ContrastiveLossLayer.html 年

BibTeX

@misc{reference.wolfram_2026_contrastivelosslayer, author="Wolfram Research", title="{ContrastiveLossLayer}", year="2017", howpublished="\url{https://reference.wolfram.com/language/ref/ContrastiveLossLayer.html}", note=[Accessed: 12-October-2026]}

BibLaTeX

@online{reference.wolfram_2026_contrastivelosslayer, organization={Wolfram Research}, title={ContrastiveLossLayer}, year={2017}, url={https://reference.wolfram.com/language/ref/ContrastiveLossLayer.html}, note=[Accessed: 12-October-2026]}