本文共 779 字，大约阅读时间需要 2 分钟。

CenterLoss 实现解析

代码解析

关键代码行

distmat.addmm_(1, -2, x, centers.t())

这行代码相当于：

\text{distmat} = \text{distmat} - 2 \times x \times \text{centers}^T

其中，distmat 是先前计算的两组特征向量的平方和矩阵：

\text{distmat} = (\|x\|_2^2) \otimes 1 + (\|c\|_2^2) \otimes 1

这一步通过平方差公式展开计算特征向量之间的距离矩阵。

mask 计算

mask = labels.eq(classes.expand(batch_size, num_classes))

torch.eq() 运算符用于比较 labels 和 classes，生成一个布尔矩阵 mask，其中 True 表示特征向量属于相同类别。

损失计算

dist = []for i in range(batch_size):    value = distmat[i][mask[i]]    value = value.clamp(min=1e-12, max=1e+12)  # 数值稳定性处理    dist.append(value)dist = torch.cat(dist)loss = dist.mean()

将所有类别内的距离取平均值作为损失函数。

示例说明

假设：

• batch_size = 5
• num_classes = 6
• x = torch.rand(5, 10)（随机特征向量）
• targets = torch.Tensor([0, 1, 2, 3, 2]).long()（标签）

CenterLoss 会计算每个样本到类中心的欧氏距离，并通过平均损失函数优化模型参数。