python - 关于余弦相似度，损失函数和网络如何选择(我有两个方案)

Question

对不起，我不知道，我不知道在哪里可以找到解决方案。 我正在使用两个网络来构造两个嵌入，我有二进制目标来指示 embeddingA 和 embeddingB 是否“匹配”(1 或 -1)。 像这样的数据集:

embA0 embB0 1.0
embA1 embB1 -1.0
embA2 embB2 1.0
...

希望利用余弦相似度来得到分类结果。 但是在选择损失函数的时候感觉很迷茫，生成embeddings的两个网络是分开训练的，现在可以想到两个方案如下:

方案一:

构建第3个网络，将embeddingA和embeddingB作为nn.cosinesimilarity()的输入计算最终结果(应该是[-1,1]中的概率)，然后选择一个二分类损失函数。

(抱歉，我不知道该选择哪个损失函数。)

class cos_Similarity(nn.Module):
    def __init__(self):
        super(cos_Similarity,self).__init__()
        cos=nn.CosineSimilarity(dim=2)
        embA=generator_A()
        embB=generator_B()

    def forward(self,a,b):
        output_a=embA(a)
        output_b=embB(b)
        return cos(output_a,output_b)
loss_func=nn.CrossEntropyLoss()

y=cos_Similarity(a,b)
loss=loss_func(y,target)
acc=np.int64(y>0)

方案二: 这两个Embeddings作为输出，然后使用nn.CosineEmbeddingLoss()作为损失函数，当我计算准确率时，我使用nn.Cosinesimilarity()输出结果([-1,1]中的概率)。

output_a=embA(a)
output_b=embB(b)

cos=nn.CosineSimilarity(dim=2)
loss_function = torch.nn.CosineEmbeddingLoss()

loss=loss_function(output_a,output_b,target)
acc=cos(output_a,output_b)

我真的需要帮助。我该如何选择？为什么？或者只能通过实验结果为我做出选择。 非常感谢!

###############################添加

def train_func(train_loss_list):

    train_data=load_data('train')
    trainloader = DataLoader(train_data, batch_size=BATCH_SIZE)
    
    cos_smi=nn.CosineSimilarity(dim=2)
    train_loss = 0
    
    for step,(a,b,target) in enumerate(trainloader):

        try:
            optimizer.zero_grad()

            output_a = model_A(a) #generate embA
            output_b = model_B(b) #generate embB
            
            acc=cos_smi(output_a,output_b)

            loss = loss_fn(output_a,output_b, target.unsqueeze(dim=1))
            
            train_loss += loss.item()
            
            loss.backward()
            
            optimizer.step()
            
            train_loss_list.append(loss)
            

            if step%10==0:
                print('train:',step,'step','loss:',loss,'acc',acc)
                
                
        except Exception as e:
            print('train:',step,'step')
            print(repr(e))

    return train_loss_list,train_loss/len(trainloader)

Answer 1

回应评论线程。

目标或管道似乎是:

1. 接收两个嵌入向量(比如 A 和 B)。
2. 检查这两个向量是否“相似”(使用余弦相似度)。
3. 如果它们相似，则标签为 1，否则为 -1(我建议将其更改为 0 或 1，而不是 -1 和 1)。

我能想到的是以下几点。如果我误解了什么，请纠正我。免责声明是，我几乎是在不知道任何细节的情况下根据我的直觉编写代码，因此如果您尝试运行它可能会充满错误。让我们仍然尝试获得更高层次的理解。

型号

import torch
import torch.nn as nn


class Model(nn.Module):
    def __init__(self, num_emb, emb_dim): # I'm assuming the embedding matrices are same sizes.
        self.embedding1 = nn.Embedding(num_embeddings=num_emb, embedding_dim=emb_dim)
        self.embedding2 = nn.Embedding(num_embeddings=num_emb, embedding_dim=emb_dim)
        self.cosine = nn.CosineSimilarity()
        self.sigmoid = nn.Sigmoid()

    def forward(self, a, b):
        output1 = self.embedding1(a)
        output2 = self.embedding2(b)
        similarity = self.cosine(output1, output2)
        output = self.sigmoid(similarity)

        return output

训练/评估

model = Model(num_emb, emb_dim)

if torch.cuda.is_available():
    model = model.to('cuda')

model.train()

criterion = loss_function()
optimizer = some_optimizer()

for epoch in range(num_epochs):
    epoch_loss = 0
    for batch in train_loader:
        optimizer.zero_grad()

        a, b, label = batch

        if torch.cuda.is_available():
            a = a.to('cuda')
            b = b.to('cuda')
            label = label.to('cuda')

        output = model(a, b)

        loss = criterion(output, label)
        loss.backward()
        optimizer.step()

        epoch_loss += loss.cpu().item()

        print("Epoch %d \t Loss %.6f" % epoch, epoch_loss)

我省略了一些细节(例如，超参数值、损失函数和优化器等)。这个整体过程是否与您正在寻找的 OP 相似？