Triplet Loss 是機器學習中的一種損失函數，特別用於訓練嵌入表示（embedding），以區分相似和不相似的樣本。它通過比較三個樣本組合（稱為三元組 triplet）來實現學習：一個錨點（anchor），一個與錨點相似的正樣本（positive），以及一個與錨點不相似的負樣本（negative）。
Triplet Loss 的核心目標：
• 令錨點（anchor）和正樣本（positive）在嵌入空間中的距離儘可能接近。• 同時使錨點（anchor）和負樣本（negative）之間的距離儘可能遠離錨點，且至少與正樣本距離相差一個預先設定的邊界（margin）。
主要應用：
• 人臉識別：如 FaceNet，學習人臉特徵，使同一人的圖像更接近，異人的圖像更遠。
• 圖像檢索：根據圖片內容找相似圖片。
• 文本與圖像的嵌入學習：如多模態對齊。
• 語音識別和生物特徵辨識等其他領域。
優點：
• 直接優化樣本之間的相似度關係。
• 能學習到更具判別性的特徵表示。
• 在少量樣本學習（one-shot learning）上效果突出。
簡單比喻：
Triplet Loss 就像在訓練一個模型，讓模型判斷一對朋友（anchor 和 positive）距離很近，而跟陌生人（negative）的距離則遠遠分開，並且保持一定的安全距離（margin），從而學會辨別不同人。
總結：
Triplet Loss 通過比較錨點、正樣本和負樣本的距離，推動模型學習強區分性的嵌入表示，是度量學習和識別任務中的重要損失函數。
