{"id":340592,"date":"2022-11-01T15:00:54","date_gmt":"2022-11-01T15:00:54","guid":{"rendered":"http:\/\/savepearlharbor.com\/?p=340592"},"modified":"-0001-11-30T00:00:00","modified_gmt":"-0001-11-29T21:00:00","slug":"","status":"publish","type":"post","link":"https:\/\/savepearlharbor.com\/?p=340592","title":{"rendered":"<span>\u041f\u0440\u0430\u043a\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0439 Metric learning<\/span>"},"content":{"rendered":"<div><\/div>\n<div id=\"post-content-body\">\n<div>\n<div class=\"article-formatted-body article-formatted-body article-formatted-body_version-2\">\n<div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\">\n<p>\u042d\u0442\u043e\u0442 \u043f\u043e\u0441\u0442 \u043f\u0440\u0438\u0443\u0440\u043e\u0447\u0435\u043d \u043a \u043d\u0435\u0434\u0430\u0432\u043d\u0435\u043c\u0443 \u0440\u0435\u043b\u0438\u0437\u0443 open-source \u043f\u0440\u043e\u0435\u043a\u0442\u0430 <a href=\"https:\/\/github.com\/OML-Team\/open-metric-learning\">OpenMetricLearning<\/a> (OML), \u043e\u0434\u043d\u0430 \u0438\u0437 \u0446\u0435\u043b\u0435\u0439 \u043a\u043e\u0442\u043e\u0440\u043e\u0433\u043e \u2014 \u043c\u0430\u043a\u0441\u0438\u043c\u0430\u043b\u044c\u043d\u043e \u0441\u043d\u0438\u0437\u0438\u0442\u044c \u043f\u043e\u0440\u043e\u0433 \u0432\u0445\u043e\u0436\u0434\u0435\u043d\u0438\u044f \u0432 \u0442\u0435\u043c\u0443 metric learning. \u041c\u044b \u043d\u0435\u043c\u043d\u043e\u0433\u043e \u043f\u0440\u043e\u0439\u0434\u0451\u043c\u0441\u044f \u043f\u043e \u0442\u0435\u043e\u0440\u0438\u0438, \u0440\u0430\u0437\u0431\u0435\u0440\u0451\u043c \u043f\u0440\u0438\u043c\u0435\u0440\u044b \u0441 \u043a\u043e\u0434\u043e\u043c \u0438 \u043f\u043e\u043a\u0430\u0436\u0435\u043c, \u043a\u0430\u043a \u0441 \u043f\u043e\u043c\u043e\u0449\u044c\u044e \u043f\u0440\u043e\u0441\u0442\u044b\u0445 \u044d\u0432\u0440\u0438\u0441\u0442\u0438\u043a \u0434\u043e\u0433\u043d\u0430\u0442\u044c \u0442\u0435\u043a\u0443\u0449\u0438\u0435 SotA \u043c\u043e\u0434\u0435\u043b\u0438. \u041f\u0440\u043e\u0435\u043a\u0442 \u043d\u043e\u0432\u044b\u0439, \u043f\u043e\u044d\u0442\u043e\u043c\u0443 \u043a\u0430\u0436\u0434\u0430\u044f \u0437\u0432\u0435\u0437\u0434\u043e\u0447\u043a\u0430 \u043d\u0430 <a href=\"https:\/\/github.com\/OML-Team\/open-metric-learning\">GitHub<\/a> \u0434\u043b\u044f \u043d\u0430\u0441 \u043d\u0430 \u0432\u0435\u0441 \u0437\u043e\u043b\u043e\u0442\u0430.<\/p>\n<figure class=\"full-width\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w780q1\/getpro\/habr\/upload_files\/810\/dd7\/57d\/810dd757d07945e1234d75b0518d087a.jpeg\" width=\"1280\" height=\"140\" data-src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/810\/dd7\/57d\/810dd757d07945e1234d75b0518d087a.jpeg\" data-blurred=\"true\"\/><figcaption><\/figcaption><\/figure>\n<h2>\u041e \u0437\u0430\u0434\u0430\u0447\u0435 Metric learning<\/h2>\n<p>\u0417\u0430\u0434\u0430\u0447\u0430 metric learning \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0432 \u0442\u043e\u043c, \u0447\u0442\u043e\u0431\u044b \u043f\u043e\u0441\u0442\u0440\u043e\u0438\u0442\u044c \u0444\u0443\u043d\u043a\u0446\u0438\u044e \u043e\u0442 \u0434\u0432\u0443\u0445 \u043e\u0431\u044a\u0435\u043a\u0442\u043e\u0432, \u043a\u043e\u0442\u043e\u0440\u0430\u044f \u0431\u0443\u0434\u0435\u0442 \u043e\u0446\u0435\u043d\u0438\u0432\u0430\u0442\u044c \u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u0435 (\u043f\u043e\u0445\u043e\u0436\u0435\u0441\u0442\u044c) \u043c\u0435\u0436\u0434\u0443 \u043d\u0438\u043c\u0438. \u0418\u043c\u0435\u044f \u0442\u0430\u043a\u0443\u044e \u0444\u0443\u043d\u043a\u0446\u0438\u044e, \u043c\u044b \u043c\u043e\u0436\u0435\u043c \u043e\u0441\u0443\u0449\u0435\u0441\u0442\u0432\u043b\u044f\u0442\u044c \u043f\u043e\u0438\u0441\u043a \u043f\u043e \u043e\u0431\u044a\u0435\u043a\u0442\u0430\u043c, \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u0438\u0437\u0430\u0446\u0438\u044e, \u0434\u0435\u0442\u0435\u043a\u0442\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435 \u0432\u044b\u0431\u0440\u043e\u0441\u043e\u0432 \u0438 \u0442.\u0434. \u0414\u0430\u043b\u0435\u0435 \u043c\u044b \u0440\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u0440\u0435\u0448\u0435\u043d\u0438\u0435 \u0434\u0430\u043d\u043d\u043e\u0439 \u0437\u0430\u0434\u0430\u0447\u0438 \u0441 \u043f\u043e\u043c\u043e\u0449\u044c\u044e \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u044b\u0445 \u0441\u0435\u0442\u0435\u0439, \u0442\u043e \u0435\u0441\u0442\u044c deep metric learning, \u0433\u0434\u0435 \u0432\u044b\u0434\u0435\u043b\u044f\u044e\u0442\u0441\u044f \u0434\u0432\u0430 \u043e\u0441\u043d\u043e\u0432\u043d\u044b\u0445 \u043f\u043e\u0434\u0445\u043e\u0434\u0430:<\/p>\n<ol>\n<li>\n<p><a href=\"https:\/\/en.wikipedia.org\/wiki\/Siamese_neural_network\">Siamese<\/a>. \u041d\u0435\u0439\u0440\u043e\u043d\u043d\u0430\u044f \u0441\u0435\u0442\u044c \u043f\u0440\u0438\u043d\u0438\u043c\u0430\u0435\u0442 \u043d\u0430 \u0432\u0445\u043e\u0434 \u0434\u0432\u0430 \u043e\u0431\u044a\u0435\u043a\u0442\u0430 \u0438 \u0432\u043e\u0437\u0432\u0440\u0430\u0449\u0430\u0435\u0442 \u0432\u0435\u0440\u043e\u044f\u0442\u043d\u043e\u0441\u0442\u044c, \u0447\u0442\u043e \u043e\u043d\u0438 \u0441\u043e\u0432\u043f\u0430\u0434\u0430\u044e\u0442 \u0438\u043b\u0438 \u043f\u043e\u0445\u043e\u0436\u0438 (\u0432 \u0437\u0430\u0432\u0438\u0441\u0438\u043c\u043e\u0441\u0442\u0438 \u043e\u0442 \u043f\u043e\u0441\u0442\u0430\u043d\u043e\u0432\u043a\u0438 \u0437\u0430\u0434\u0430\u0447\u0438). \u0414\u0430\u043d\u043d\u0443\u044e \u0432\u0435\u0440\u043e\u044f\u0442\u043d\u043e\u0441\u0442\u044c \u043c\u043e\u0436\u043d\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u043a\u0430\u043a \u043c\u0435\u0440\u0443 \u043f\u043e\u0445\u043e\u0436\u0435\u0441\u0442\u0438 \u0438\u043b\u0438 \u00ab\u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u0435\u00bb.<\/p>\n<\/li>\n<li>\n<p><a href=\"https:\/\/en.wikipedia.org\/wiki\/Feature_learning\">Representation learning.<\/a> \u041d\u0435\u0439\u0440\u043e\u043d\u043d\u0430\u044f \u0441\u0435\u0441\u0442\u044c \u043f\u0440\u0438\u043d\u0438\u043c\u0430\u0435\u0442 \u043d\u0430 \u0432\u0445\u043e\u0434 \u043e\u0434\u0438\u043d \u043e\u0431\u044a\u0435\u043a\u0442 \u0438 \u0432\u043e\u0437\u0432\u0440\u0430\u0449\u0430\u0435\u0442 \u0432\u0435\u043a\u0442\u043e\u0440, \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u044f\u044e\u0449\u0438\u0439 \u044d\u0442\u043e\u0442 \u043e\u0431\u044a\u0435\u043a\u0442 \u0432 \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u043e\u043c \u0432\u0435\u043a\u0442\u043e\u0440\u043d\u043e\u043c \u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u0441\u0442\u0432\u0435. \u0414\u0430\u043b\u0435\u0435 \u043c\u0435\u0436\u0434\u0443 \u0432\u0435\u043a\u0442\u043e\u0440\u0430\u043c\u0438 \u0432\u044b\u0447\u0438\u0441\u043b\u044f\u0435\u0442\u0441\u044f \u043a\u043b\u0430\u0441\u0441\u0438\u0447\u0435\u0441\u043a\u043e\u0435 \u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u0435, \u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u0435\u0432\u043a\u043b\u0438\u0434\u043e\u0432\u043e.<\/p>\n<\/li>\n<\/ol>\n<p>\u0414\u043e\u043f\u0443\u0441\u0442\u0438\u043c, \u043d\u0430\u043c \u043d\u0443\u0436\u043d\u043e \u043e\u0446\u0435\u043d\u0438\u0442\u044c \u0432\u0441\u0435 \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u044b\u0435 \u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u044f \u043c\u0435\u0436\u0434\u0443<img loading=\"lazy\" decoding=\"async\" class=\"formula inline\" source=\"n\" alt=\"n\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/974\/867\/8e6\/9748678e648bcc40bbf5584bf5553259.svg\" width=\"12\" height=\"12\"\/>\u043e\u0431\u044a\u0435\u043a\u0442\u0430\u043c\u0438. \u0414\u043b\u044f \u043f\u0435\u0440\u0432\u043e\u0433\u043e \u043f\u043e\u0434\u0445\u043e\u0434\u0430 \u0442\u0440\u0435\u0431\u0443\u0435\u0442\u0441\u044f <img loading=\"lazy\" decoding=\"async\" class=\"formula inline\" source=\"O(n^2)\" alt=\"O(n^2)\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/a27\/ce2\/435\/a27ce24355c3ab72c031093c756d5f45.svg\" width=\"51\" height=\"25\"\/>\u0438\u043d\u0444\u0435\u0440\u0435\u043d\u0441\u043e\u0432 \u043c\u043e\u0434\u0435\u043b\u0438, \u0430 \u0434\u043b\u044f \u0432\u0442\u043e\u0440\u043e\u0433\u043e <img loading=\"lazy\" decoding=\"async\" class=\"formula inline\" source=\"O(n)\" alt=\"O(n)\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/6f3\/40e\/fa5\/6f340efa5afc7440f3a3a3a25d5a4650.svg\" width=\"42\" height=\"22\"\/>\u0438\u043d\u0444\u0435\u0440\u0435\u043d\u0441\u043e\u0432 \u0438 <img loading=\"lazy\" decoding=\"async\" class=\"formula inline\" source=\"O(n^2)\" alt=\"O(n^2)\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/098\/842\/e96\/098842e9622a949a754c287db9385b7b.svg\" width=\"51\" height=\"25\"\/>\u0440\u0430\u0441\u0447\u00eb\u0442\u043e\u0432 \u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u0439. \u041d\u0430 \u043f\u0440\u0430\u043a\u0442\u0438\u043a\u0435 \u0447\u0430\u0449\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u0442\u0441\u044f \u0432\u0442\u043e\u0440\u043e\u0439 \u043f\u043e\u0434\u0445\u043e\u0434, \u0442\u0430\u043a \u043a\u0430\u043a \u043f\u043e\u0434\u0441\u0447\u0435\u0442 \u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u0439 \u043c\u0435\u0436\u0434\u0443 \u0432\u0435\u043a\u0442\u043e\u0440\u0430\u043c\u0438 \u043d\u0430\u043c\u043d\u043e\u0433\u043e \u0431\u044b\u0441\u0442\u0440\u0435\u0435, \u0447\u0435\u043c \u0438\u043d\u0444\u0435\u0440\u0435\u043d\u0441. \u0414\u0430\u043b\u0435\u0435 \u043c\u044b \u0431\u0443\u0434\u0435\u043c \u0440\u0430\u0437\u0431\u0438\u0440\u0430\u0442\u044c \u0442\u043e\u043b\u044c\u043a\u043e \u044d\u0442\u043e\u0442 \u043f\u043e\u0434\u0445\u043e\u0434 \u0438 \u0432\u043e\u0441\u043f\u0440\u0438\u043d\u0438\u043c\u0430\u0442\u044c \u0435\u0433\u043e \u043a\u0430\u043a \u0441\u0438\u043d\u043e\u043d\u0438\u043c \u043a metric learning.<\/p>\n<p>\u0412\u043e\u0442 \u0442\u0430\u043a \u0432\u044b\u0433\u043b\u044f\u0434\u0438\u0442 \u0432\u0435\u043a\u0442\u043e\u0440\u043d\u043e\u0435 \u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u0441\u0442\u0432\u043e \u043c\u043e\u0434\u0435\u043b\u0438, \u043e\u0431\u0443\u0447\u0435\u043d\u043d\u043e\u0439 \u043d\u0430 \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u0435 <a href=\"https:\/\/www.kaggle.com\/datasets\/zalando-research\/fashionmnist\">Fashion MNIST<\/a>:<\/p>\n<figure class=\"full-width\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/df3\/68e\/b0f\/df368eb0f5746a4075f30e2cf8117e9a.gif\" alt=\"\u0421\u043f\u0430\u0441\u0438\u0431\u043e zalandoresearch \u0437\u0430 \u043f\u0440\u0435\u043a\u0440\u0430\u0441\u043d\u0443\u044e \u0438\u043b\u043b\u044e\u0441\u0442\u0440\u0430\u0446\u0438\u044e! \u0414\u043b\u044f \u043a\u043e\u0440\u0440\u0435\u043a\u0442\u043d\u043e\u0433\u043e \u043e\u0442\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f GIF \u0430\u043d\u0438\u043c\u0430\u0446\u0438\u0438, \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e, \u043f\u0440\u0438\u0434\u0451\u0442\u0441\u044f \u043e\u0431\u043d\u043e\u0432\u0438\u0442\u044c \u0441\u0442\u0440\u0430\u043d\u0438\u0447\u043a\u0443.\" title=\"\u0421\u043f\u0430\u0441\u0438\u0431\u043e zalandoresearch \u0437\u0430 \u043f\u0440\u0435\u043a\u0440\u0430\u0441\u043d\u0443\u044e \u0438\u043b\u043b\u044e\u0441\u0442\u0440\u0430\u0446\u0438\u044e! \u0414\u043b\u044f \u043a\u043e\u0440\u0440\u0435\u043a\u0442\u043d\u043e\u0433\u043e \u043e\u0442\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f GIF \u0430\u043d\u0438\u043c\u0430\u0446\u0438\u0438, \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e, \u043f\u0440\u0438\u0434\u0451\u0442\u0441\u044f \u043e\u0431\u043d\u043e\u0432\u0438\u0442\u044c \u0441\u0442\u0440\u0430\u043d\u0438\u0447\u043a\u0443.\" width=\"800\" height=\"561\" data-src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/df3\/68e\/b0f\/df368eb0f5746a4075f30e2cf8117e9a.gif\"\/><figcaption>\u0421\u043f\u0430\u0441\u0438\u0431\u043e zalandoresearch \u0437\u0430 \u043f\u0440\u0435\u043a\u0440\u0430\u0441\u043d\u0443\u044e \u0438\u043b\u043b\u044e\u0441\u0442\u0440\u0430\u0446\u0438\u044e! \u0414\u043b\u044f \u043a\u043e\u0440\u0440\u0435\u043a\u0442\u043d\u043e\u0433\u043e \u043e\u0442\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f GIF \u0430\u043d\u0438\u043c\u0430\u0446\u0438\u0438, \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e, \u043f\u0440\u0438\u0434\u0451\u0442\u0441\u044f \u043e\u0431\u043d\u043e\u0432\u0438\u0442\u044c \u0441\u0442\u0440\u0430\u043d\u0438\u0447\u043a\u0443.<\/figcaption><\/figure>\n<h4>\u0412 \u0447\u0451\u043c \u043e\u0442\u043b\u0438\u0447\u0438\u0435 \u043e\u0442 \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438?<\/h4>\n<p>\u0417\u0430\u0434\u0430\u0447\u0438 deep metric learning \u0438 \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438 \u043c\u043e\u0433\u0443\u0442 \u043f\u0435\u0440\u0435\u0442\u0435\u043a\u0430\u0442\u044c \u0434\u0440\u0443\u0433 \u0432 \u0434\u0440\u0443\u0433\u0430, \u0447\u0442\u043e \u0434\u0435\u043b\u0430\u0435\u0442 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 \u0442\u0435\u0440\u043c\u0438\u043d\u043e\u043b\u043e\u0433\u0438\u0438 \u0437\u0430\u043f\u0443\u0442\u0430\u043d\u043d\u044b\u043c. \u0421 \u043e\u0434\u043d\u043e\u0439 \u0441\u0442\u043e\u0440\u043e\u043d\u044b, \u043c\u043e\u0436\u043d\u043e \u043d\u0430\u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0442\u043e\u0440, \u0430 \u0437\u0430\u0442\u0435\u043c \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u0432\u044b\u0445\u043e\u0434\u044b \u0441 \u0435\u0433\u043e \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0435\u0433\u043e \u0438\u043b\u0438 \u043f\u0440\u0435\u0434\u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0435\u0433\u043e \u0441\u043b\u043e\u044f \u043a\u0430\u043a \u0432\u0435\u043a\u0442\u043e\u0440\u0430, \u043f\u043e \u043a\u043e\u0442\u043e\u0440\u044b\u043c \u043e\u0446\u0435\u043d\u0438\u0432\u0430\u0435\u0442\u0441\u044f \u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u0435. \u0421 \u0434\u0440\u0443\u0433\u043e\u0439 \u0441\u0442\u043e\u0440\u043e\u043d\u044b, \u043c\u043e\u0436\u043d\u043e \u043e\u0431\u0443\u0447\u0438\u0442\u044c \u043c\u043e\u0434\u0435\u043b\u044c \u0441 \u043d\u0435 \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u043e\u043d\u043d\u043e\u0439 \u0444\u0443\u043d\u043a\u0446\u0438\u0435\u0439 \u043f\u043e\u0442\u0435\u0440\u044c (\u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, <a href=\"https:\/\/en.wikipedia.org\/wiki\/Triplet_loss\">triplet loss<\/a>, \u043e \u043d\u0451\u043c \u043f\u043e\u0437\u0436\u0435), \u043d\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u043d\u044b\u0435 \u0432\u0435\u043a\u0442\u043e\u0440\u0430 \u0434\u043b\u044f \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438, \u043e\u0441\u0443\u0449\u0435\u0441\u0442\u0432\u043b\u044f\u044f \u043f\u043e\u0438\u0441\u043a \u043f\u043e \u0431\u043b\u0438\u0436\u0430\u0439\u0448\u0438\u043c \u0441\u043e\u0441\u0435\u0434\u044f\u043c \u0438 \u0431\u0435\u0440\u044f \u043c\u0435\u0442\u043a\u0438 \u0438\u0445 \u043a\u043b\u0430\u0441\u0441\u043e\u0432. \u0412\u0434\u043e\u0431\u0430\u0432\u043e\u043a, \u0432 \u043e\u0431\u0435\u0438\u0445 \u0437\u0430\u0434\u0430\u0447\u0430\u0445 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044e\u0442\u0441\u044f \u043e\u0434\u043d\u0438 \u0438 \u0442\u0435 \u0436\u0435 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u044b \u0441\u0435\u0442\u0435\u0439.<\/p>\n<p>\u0415\u0441\u043b\u0438 \u0432\u0441\u0451-\u0442\u0430\u043a\u0438 \u0432\u044b\u0434\u0435\u043b\u0438\u0442\u044c \u0445\u0430\u0440\u0430\u043a\u0442\u0435\u0440\u043d\u043e\u0435 \u043e\u0442\u043b\u0438\u0447\u0438\u0435, \u0442\u043e \u044f \u0431\u044b \u0441\u043a\u0430\u0437\u0430\u043b, \u0447\u0442\u043e <em>\u0432 \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438 \u043a\u043b\u0430\u0441\u0441\u044b \u043d\u0430 train \u0438 test \u0432\u044b\u0431\u043e\u0440\u043a\u0430\u0445 \u0441\u043e\u0432\u043f\u0430\u0434\u0430\u044e\u0442, \u0430 \u0432 metric learning \u2014 \u043d\u0435 \u043e\u0431\u044f\u0437\u0430\u0442\u0435\u043b\u044c\u043d\u043e. \u041a\u0440\u043e\u043c\u0435 \u0442\u043e\u0433\u043e, metric learning \u043d\u0435 \u0432\u0441\u0435\u0433\u0434\u0430 \u0442\u0440\u0435\u0431\u0443\u0435\u0442 \u044f\u0432\u043d\u043e\u0439 \u0440\u0430\u0437\u043c\u0435\u0442\u043a\u0438 \u043d\u0430 \u043a\u043b\u0430\u0441\u0441\u044b. <\/em>\u041d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u043c\u043e\u0436\u0435\u0442 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c\u0441\u044f \u0440\u0430\u0437\u043c\u0435\u0442\u043a\u0430 \u0432\u0438\u0434\u0430 \u2014 \u043f\u0430\u0440\u0430 \u043e\u0431\u044a\u0435\u043a\u0442\u043e\u0432 \u0438 \u0438\u043d\u0434\u0438\u043a\u0430\u0442\u043e\u0440 \u043f\u043e\u0445\u043e\u0436\u0435\u0441\u0442\u0438 \u043c\u0435\u0436\u0434\u0443 \u043d\u0438\u043c\u0438.<\/p>\n<h4>\u0415\u0441\u0442\u044c \u043b\u0438 \u0431\u0435\u043d\u0447\u043c\u0430\u0440\u043a\u0438?<\/h4>\n<p>\u0414\u0430, \u0434\u043b\u044f metric learning, \u043a\u0430\u043a \u0438 \u0434\u043b\u044f \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438, \u0441\u0443\u0449\u0435\u0441\u0442\u0432\u0443\u0435\u0442 \u043d\u0430\u0431\u043e\u0440 \u043f\u043e\u043f\u0443\u043b\u044f\u0440\u043d\u044b\u0445 \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u043e\u0432, \u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, <a href=\"https:\/\/paperswithcode.com\/task\/metric-learning\">\u043a\u0430\u0440\u0442\u0438\u043d\u043e\u0447\u043d\u044b\u0445<\/a>, \u043d\u0430 \u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0438\u0441\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u0438 \u0441\u0440\u0430\u0432\u043d\u0438\u0432\u0430\u044e\u0442 \u0441\u0432\u043e\u0438 \u043d\u0430\u0440\u0430\u0431\u043e\u0442\u043a\u0438.<\/p>\n<h2>\u041a\u0430\u043a \u043f\u0440\u043e\u0438\u0441\u0445\u043e\u0434\u0438\u0442 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u0438 \u0432\u0430\u043b\u0438\u0434\u0430\u0446\u0438\u044f \u043c\u043e\u0434\u0435\u043b\u0438<\/h2>\n<p>\u0414\u043b\u044f \u043f\u0440\u0438\u043c\u0435\u0440\u0430 \u0440\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u0434\u0430\u0442\u0430\u0441\u0435\u0442 <a href=\"https:\/\/paperswithcode.com\/dataset\/deepfashion\">DeepFashion<\/a>. \u041e\u043d \u0441\u043e\u0434\u0435\u0440\u0436\u0438\u0442 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f 17 \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0439 \u043e\u0434\u0435\u0436\u0434\u044b (\u043a\u0443\u0440\u0442\u043a\u0438, \u0434\u0436\u0438\u043d\u0441\u044b, \u0448\u043e\u0440\u0442\u044b \u0438 \u0442.\u0434.) \u0438 ~8 \u0442\u044b\u0441\u044f\u0447 \u043a\u043b\u0430\u0441\u0441\u043e\u0432 (\u0430\u0440\u0442\u0438\u043a\u0443\u043b\u043e\u0432 \u043a\u043e\u043d\u043a\u0440\u0435\u0442\u043d\u044b\u0445 \u0442\u043e\u0432\u0430\u0440\u043e\u0432). \u041c\u0435\u0434\u0438\u0430\u043d\u043d\u044b\u0439 \u0440\u0430\u0437\u043c\u0435\u0440 \u043a\u043b\u0430\u0441\u0441\u0430 \u2014 5 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439. <\/p>\n<p>\u041a\u043b\u0430\u0441\u0441\u044b \u0440\u0430\u0437\u0434\u0435\u043b\u0435\u043d\u044b \u043d\u0430 \u0434\u0432\u0430 \u043d\u0435\u043f\u0435\u0440\u0435\u0441\u0435\u043a\u0430\u044e\u0449\u0438\u0445\u0441\u044f \u043c\u043d\u043e\u0436\u0435\u0441\u0442\u0432\u0430 \u0434\u043b\u044f \u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u043a\u0438 \u0438 \u0432\u0430\u043b\u0438\u0434\u0430\u0446\u0438\u0438. \u041e\u0431\u0440\u0430\u0442\u0438\u0442\u0435 \u0432\u043d\u0438\u043c\u0430\u043d\u0438\u0435, \u0440\u0430\u0437\u0434\u0435\u043b\u0435\u043d\u0438\u0435 \u0441\u0434\u0435\u043b\u0430\u043d\u043e \u0438\u043c\u0435\u043d\u043d\u043e \u043d\u0430 \u0443\u0440\u043e\u0432\u043d\u0435 <em>\u043a\u043b\u0430\u0441\u0441\u043e\u0432<\/em>. \u0412 \u0441\u0432\u043e\u044e \u043e\u0447\u0435\u0440\u0435\u0434\u044c, \u0432\u0430\u043b\u0438\u0434\u0430\u0446\u0438\u043e\u043d\u043d\u0443\u044e \u0447\u0430\u0441\u0442\u044c \u0434\u0435\u043b\u044f\u0442 \u043d\u0430 \u0437\u0430\u043f\u0440\u043e\u0441\u044b (query) \u0438 \u043f\u043e\u0438\u0441\u043a\u043e\u0432\u044b\u0439 \u0438\u043d\u0434\u0435\u043a\u0441 (gallery), \u0447\u0442\u043e\u0431\u044b \u0432 \u0434\u0430\u043b\u044c\u043d\u0435\u0439\u0448\u0435\u043c \u0441\u044b\u043c\u0438\u0442\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u043f\u043e\u0438\u0441\u043a \u0438 \u043e\u0446\u0435\u043d\u0438\u0442\u044c \u0435\u0433\u043e \u0442\u043e\u0447\u043d\u043e\u0441\u0442\u044c. \u041e\u0431\u0440\u0430\u0442\u0438\u0442\u0435 \u0432\u043d\u0438\u043c\u0430\u043d\u0438\u0435, \u0447\u0442\u043e \u0437\u0434\u0435\u0441\u044c \u0440\u0430\u0437\u0434\u0435\u043b\u0435\u043d\u0438\u0435 \u0443\u0436\u0435 \u043d\u0430 \u0443\u0440\u043e\u0432\u043d\u0435 <em>\u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439<\/em>: \u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u0434\u043b\u044f \u043a\u0443\u0440\u0442\u043a\u0438 \u0441 \u0430\u0440\u0442\u0438\u043a\u0443\u043b\u043e\u043c 001 \u0435\u0441\u0442\u044c 7 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439, 3 \u0438\u0437 \u043d\u0438\u0445 \u043f\u043e\u043f\u0430\u0434\u0430\u044e\u0442 \u0432 \u0437\u0430\u043f\u0440\u043e\u0441\u044b, \u0430 \u043e\u0441\u0442\u0430\u043b\u044c\u043d\u044b\u0435 4 \u2014 \u0432 \u0438\u043d\u0434\u0435\u043a\u0441. \u041c\u044b \u0441\u0442\u0440\u0435\u043c\u0438\u043c\u0441\u044f \u043e\u0431\u0443\u0447\u0438\u0442\u044c \u043c\u043e\u0434\u0435\u043b\u044c \u0442\u0430\u043a, \u0447\u0442\u043e\u0431\u044b \u0434\u043b\u044f \u0432\u0435\u043a\u0442\u043e\u0440\u043e\u0432, \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u044f\u044e\u0449\u0438\u0445 \u044d\u0442\u0438 3 \u0437\u0430\u043f\u0440\u043e\u0441\u0430, \u0431\u043b\u0438\u0436\u0430\u0439\u0448\u0438\u043c\u0438 \u043e\u043a\u0430\u0437\u0430\u043b\u0438\u0441\u044c \u0434\u0430\u043d\u043d\u044b\u0435 4 \u0432\u0435\u043a\u0442\u043e\u0440\u0430 \u0438\u0437 \u0438\u043d\u0434\u0435\u043a\u0441\u0430.<\/p>\n<p>\u0420\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u043a\u0430\u043a \u043f\u0440\u043e\u0438\u0441\u0445\u043e\u0434\u0438\u0442 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u043c\u043e\u0434\u0435\u043b\u0438 \u0441 \u043a\u043b\u0430\u0441\u0441\u0438\u0447\u0435\u0441\u043a\u0438\u043c <a href=\"https:\/\/en.wikipedia.org\/wiki\/Triplet_loss\">triplet loss<\/a>.<\/p>\n<details class=\"spoiler\">\n<summary>\u041a\u043e\u0440\u043e\u0442\u043a\u043e \u043f\u0440\u043e triplet loss<\/summary>\n<div class=\"spoiler__content\"><img loading=\"lazy\" decoding=\"async\" class=\"formula\" source=\"L_{tri}(a,p,n)=max(d(a,p) - d(a,n) + m, 0)\" alt=\"L_{tri}(a,p,n)=max(d(a,p) - d(a,n) + m, 0)\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/47e\/066\/267\/47e06626754f5ba29bffe2b80aa19851.svg\" width=\"370\" height=\"22\"\/><\/p>\n<p>\u0433\u0434\u0435 <br \/><img loading=\"lazy\" decoding=\"async\" class=\"formula inline\" source=\"a,p,n\" alt=\"a,p,n\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/5d0\/486\/8de\/5d04868de938cbfba4bc06995060fbfa.svg\" width=\"49\" height=\"15\"\/>\u2014 \u0442\u0440\u0438\u043f\u043b\u0435\u0442, \u0432 \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u0432\u0445\u043e\u0434\u044f\u0442 \u0442\u0440\u0438 \u043e\u0431\u044a\u0435\u043a\u0442\u0430: \u044f\u043a\u043e\u0440\u043d\u044b\u0439, \u043f\u043e\u0437\u0438\u0442\u0438\u0432\u043d\u044b\u0439 (\u0438\u0437 \u0442\u043e\u0433\u043e \u0436\u0435 \u043a\u043b\u0430\u0441\u0441\u0430, \u0447\u0442\u043e \u0438 \u044f\u043a\u043e\u0440\u043d\u044b\u0439), \u043d\u0435\u0433\u0430\u0442\u0438\u0432\u043d\u044b\u0439 (\u0438\u0437 \u043a\u043b\u0430\u0441\u0441\u0430, \u043e\u0442\u043b\u0438\u0447\u0430\u044e\u0449\u0435\u0433\u043e\u0441\u044f \u043e\u0442 \u044f\u043a\u043e\u0440\u043d\u043e\u0433\u043e);<br \/><img loading=\"lazy\" decoding=\"async\" class=\"formula inline\" source=\"d(a,p)\" alt=\"d(a,p)\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/185\/65b\/14f\/18565b14f0b77d273a71cd9203c61562.svg\" width=\"54\" height=\"22\"\/> \u2014 \u043f\u043e\u0437\u0438\u0442\u0438\u0432\u043d\u043e\u0435 \u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u0435, \u043a\u043e\u0442\u043e\u0440\u043e\u0435 \u043c\u044b \u0445\u043e\u0442\u0438\u043c \u0443\u043c\u0435\u043d\u044c\u0448\u0430\u0442\u044c, <img loading=\"lazy\" decoding=\"async\" class=\"formula inline\" source=\"d(a,n)\" alt=\"d(a,n)\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/39f\/d40\/de6\/39fd40de611fa9a3bb07d6e8e5d46619.svg\" width=\"56\" height=\"22\"\/>\u2014 \u043d\u0435\u0433\u0430\u0442\u0438\u0432\u043d\u043e\u0435 \u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u0435, \u043a\u043e\u0442\u043e\u0440\u043e\u0435 \u043c\u044b \u0445\u043e\u0442\u0438\u043c \u0443\u0432\u0435\u043b\u0438\u0447\u0438\u0432\u0430\u0442\u044c; <br \/><img loading=\"lazy\" decoding=\"async\" class=\"formula inline\" source=\"m\" alt=\"m\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/02d\/d78\/619\/02dd78619290829d50fc96520a4e2c29.svg\" width=\"17\" height=\"12\"\/>\u2014 \u0437\u0430\u0437\u043e\u0440 (margin).<\/p>\n<p>\u0415\u0441\u0442\u044c \u0438 \u0434\u0440\u0443\u0433\u0438\u0435 \u0432\u0430\u0440\u0438\u0430\u043d\u0442\u044b triplet loss&#8217;a, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0438\u043d\u043e\u0433\u0434\u0430 \u043f\u043e\u0437\u0432\u043e\u043b\u044f\u044e\u0442 \u0434\u043e\u0431\u0438\u0442\u044c\u0441\u044f \u0431\u043e\u043b\u044c\u0448\u0435\u0439 \u0441\u0442\u0430\u0431\u0438\u043b\u044c\u043d\u043e\u0441\u0442\u0438 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f:<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"formula\" source=\"L_{tri}(a,p,n)=log(1+exp(d(a,p)\u2212d(a,n)))\" alt=\"L_{tri}(a,p,n)=log(1+exp(d(a,p)\u2212d(a,n)))\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/dda\/b6b\/406\/ddab6b406284913ff475073c43162471.svg\" width=\"376\" height=\"22\"\/><\/p>\n<p>\u041f\u0440\u0438\u043c\u0435\u0440 \u0442\u0440\u0438\u043f\u043b\u0435\u0442\u0430: \u043d\u0430 \u043f\u0435\u0440\u0432\u044b\u0445 \u0434\u0432\u0443\u0445 \u0444\u043e\u0442\u043e\u0433\u0440\u0430\u0444\u0438\u044f\u0445 \u043e\u0434\u0438\u043d\u0430\u043a\u043e\u0432\u044b\u0435 \u0441\u0430\u043b\u0430\u0442\u043e\u0432\u044b\u0435 \u0431\u043b\u0443\u0437\u043a\u0438, \u043d\u0430 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0435\u0439 \u2014 \u043a\u0440\u0430\u0441\u043d\u0430\u044f \u043c\u0430\u0439\u043a\u0430.<\/p>\n<figure class=\"full-width\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w780q1\/getpro\/habr\/upload_files\/fcd\/b6d\/082\/fcdb6d082a23d0223ae884083929e1a8.jpg\" alt=\"Anchor, Positive, Negative\" title=\"Anchor, Positive, Negative\" width=\"658\" height=\"254\" data-src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/fcd\/b6d\/082\/fcdb6d082a23d0223ae884083929e1a8.jpg\" data-blurred=\"true\"\/><figcaption>Anchor, Positive, Negative<\/figcaption><\/figure>\n<\/p>\n<\/div>\n<\/details>\n<h4>\u0422\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u043a\u0430<\/h4>\n<ol>\n<li>\n<p><strong>\u0421\u044d\u043c\u043f\u043b\u0435\u0440<\/strong> \u0441\u043e\u0437\u0434\u0430\u0435\u0442 \u0431\u0430\u0442\u0447 \u0441 \u0443\u0441\u043b\u043e\u0432\u0438\u0435\u043c, \u0447\u0442\u043e \u0432 \u043d\u0435\u043c \u043d\u0430\u0439\u0434\u0443\u0442\u0441\u044f \u0445\u043e\u0442\u044f \u0431\u044b 2 \u043a\u043b\u0430\u0441\u0441\u0430 \u0438 2 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f \u043d\u0430 \u043a\u0430\u0436\u0434\u044b\u0439 (\u0438\u043d\u0430\u0447\u0435 \u043c\u044b \u043d\u0435 \u0441\u043c\u043e\u0436\u0435\u043c \u0441\u043e\u0441\u0442\u0430\u0432\u0438\u0442\u044c \u0442\u0440\u0438\u043f\u043b\u0435\u0442\u044b). \u0427\u0430\u0441\u0442\u043e \u0431\u0430\u0442\u0447\u0438 \u0441\u0431\u0430\u043b\u0430\u043d\u0441\u0438\u0440\u043e\u0432\u0430\u043d\u044b \u043f\u043e \u043a\u043b\u0430\u0441\u0441\u0430\u043c.<\/p>\n<\/li>\n<li>\n<p><strong>\u0411\u0430\u0442\u0447<\/strong> \u043f\u043e\u0434\u0430\u0451\u0442\u0441\u044f \u0432 \u043c\u043e\u0434\u0435\u043b\u044c \u0438 \u043f\u0440\u0435\u0432\u0440\u0430\u0449\u0430\u0435\u0442\u0441\u044f \u0432 \u043d\u0430\u0431\u043e\u0440 \u0432\u0435\u043a\u0442\u043e\u0440\u043e\u0432.<\/p>\n<\/li>\n<li>\n<p><strong>\u041c\u0430\u0439\u043d\u0435\u0440<\/strong> \u0441\u043e\u0431\u0438\u0440\u0430\u0435\u0442 \u0442\u0440\u0438\u043f\u043b\u0435\u0442\u044b, \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044f \u0432\u0435\u043a\u0442\u043e\u0440\u0430 \u0438\u0437 \u043f\u0440\u0435\u0434\u044b\u0434\u0443\u0449\u0435\u0433\u043e \u043f\u0443\u043d\u043a\u0442\u0430. \u041c\u043e\u0436\u043d\u043e \u0441\u043e\u0441\u0442\u0430\u0432\u0438\u0442\u044c \u0432\u0441\u0435 \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u044b\u0435 \u0442\u0440\u0438\u043f\u043b\u0435\u0442\u044b \u0438\u043b\u0438 \u0442\u043e\u043b\u044c\u043a\u043e \u0441\u0430\u043c\u044b\u0435 \u0441\u043b\u043e\u0436\u043d\u044b\u0435 (\u043a\u043e\u0433\u0434\u0430 \u043f\u043e\u0437\u0438\u0442\u0438\u0432\u043d\u043e\u0435 \u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u0435 \u043c\u0430\u043a\u0441\u0438\u043c\u0430\u043b\u044c\u043d\u043e, \u0430 \u043d\u0435\u0433\u0430\u0442\u0438\u0432\u043d\u043e\u0435 \u043c\u0438\u043d\u0438\u043c\u0430\u043b\u044c\u043d\u043e); \u043c\u043e\u0436\u043d\u043e \u043f\u043b\u0430\u0432\u043d\u043e \u0443\u043f\u0440\u0430\u0432\u043b\u044f\u0442\u044c \u0441\u043b\u043e\u0436\u043d\u043e\u0441\u0442\u044c\u044e \u0442\u0440\u0438\u043f\u043b\u0435\u0442\u043e\u0432; \u0442\u0430\u043a \u0436\u0435 \u0435\u0441\u0442\u044c \u0442\u0435\u0445\u043d\u0438\u043a\u0438 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u044f \u0432\u0435\u043a\u0442\u043e\u0440\u043e\u0432 \u0438\u0437 \u0431\u0430\u043d\u043a\u0430 \u043f\u0430\u043c\u044f\u0442\u0438, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u044f\u0435\u0442 \u0441\u043e\u0431\u043e\u0439 \u043e\u0447\u0435\u0440\u0435\u0434\u044c, \u043e\u0431\u043d\u043e\u0432\u043b\u044f\u044e\u0449\u0443\u044e\u0441\u044f \u043f\u043e\u0441\u043b\u0435 \u043e\u0447\u0435\u0440\u0435\u0434\u043d\u043e\u0433\u043e \u0431\u0430\u0442\u0447\u0430. <\/p>\n<\/li>\n<li>\n<p><strong>\u041e\u043f\u0442\u0438\u043c\u0438\u0437\u0430\u0442\u043e\u0440 <\/strong>\u0434\u0435\u043b\u0430\u0435\u0442 \u0448\u0430\u0433 \u043f\u043e<strong> <\/strong>\u0433\u0440\u0430\u0434\u0438\u0435\u043d\u0442\u0443 triplet loss&#8217;\u0430, \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u043d\u043e\u0433\u043e \u0434\u043b\u044f \u0442\u0440\u0438\u043f\u043b\u0435\u0442\u043e\u0432 \u0441 \u043f\u0440\u0435\u0434\u044b\u0434\u0443\u0449\u0435\u0433\u043e \u0448\u0430\u0433\u0430.<\/p>\n<\/li>\n<\/ol>\n<p>\u0421\u0445\u0435\u043c\u0430 \u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u043a\u0438 \u043c\u043e\u0436\u0435\u0442 \u043c\u0435\u043d\u044f\u0442\u044c\u0441\u044f, \u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440:<\/p>\n<ul>\n<li>\n<p>\u0415\u0441\u043b\u0438 \u0432\u044b \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442\u0435 \u0441 \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u043e\u043d\u043d\u043e\u0439 \u0444\u0443\u043d\u043a\u0446\u0438\u0435\u0439 \u043f\u043e\u0442\u0435\u0440\u044c (\u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, <a href=\"https:\/\/scikit-learn.org\/stable\/modules\/generated\/sklearn.metrics.log_loss.html\">Log loss<\/a> \u0438\u043b\u0438 <a href=\"https:\/\/arxiv.org\/abs\/1801.07698\">ArcFace<\/a>), \u0442\u043e \u043c\u0430\u0439\u043d\u0435\u0440 \u043d\u0435 \u043d\u0443\u0436e\u043d.<\/p>\n<\/li>\n<li>\n<p>\u0415\u0441\u043b\u0438 \u0443 \u0432\u0430\u0441 \u043d\u0435\u0442 \u0440\u0430\u0437\u043c\u0435\u0442\u043a\u0438 \u043d\u0430 \u043a\u043b\u0430\u0441\u0441\u044b, \u0430 \u0432\u043c\u0435\u0441\u0442\u043e \u044d\u0442\u043e\u0433\u043e \u0435\u0441\u0442\u044c \u0440\u0430\u0437\u043c\u0435\u0442\u043a\u0430 \u043d\u0430 \u0443\u0440\u043e\u0432\u043d\u0435 \u043f\u0430\u0440 \u0438\u043b\u0438 \u0442\u0440\u0438\u043f\u043b\u0435\u0442\u043e\u0432, \u0442\u043e \u043e\u043d\u0438 \u0441\u0440\u0430\u0437\u0443 \u043f\u0435\u0440\u0435\u0434\u0430\u044e\u0442\u0441\u044f \u0432 \u0444\u0443\u043d\u043a\u0446\u0438\u044e \u043f\u043e\u0442\u0435\u0440\u044c, \u0431\u0435\u0437 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u044f \u043c\u0430\u0439\u043d\u0435\u0440\u0430.<\/p>\n<\/li>\n<li>\n<p>\u0415\u0441\u043b\u0438 \u0432\u044b \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442\u0435 \u0441 <a href=\"https:\/\/arxiv.org\/pdf\/1704.01719.pdf\">quadruplet loss<\/a>, \u0442\u043e \u043c\u0430\u0439\u043d\u0435\u0440 \u0441\u043e\u0431\u0438\u0440\u0430\u0435\u0442 \u0447\u0435\u0442\u0432\u0435\u0440\u043a\u0438, \u0435\u0441\u043b\u0438 \u0441 <a href=\"https:\/\/towardsdatascience.com\/contrastive-loss-explaned-159f2d4a87ec\">contrastive loss<\/a>, \u0442\u043e \u043f\u0430\u0440\u044b.<\/p>\n<\/li>\n<\/ul>\n<h4>\u0412\u0430\u043b\u0438\u0434\u0430\u0446\u0438\u044f<\/h4>\n<ol>\n<li>\n<p><strong>\u0414\u0435\u043b\u0430\u0435\u043c \u0438\u043d\u0444\u0435\u0440\u0435\u043d\u0441<\/strong> \u043d\u0430 \u0432\u0441\u0435\u043c \u0432\u0430\u043b\u0438\u0434\u0430\u0446\u0438\u043e\u043d\u043d\u043e\u043c \u043d\u0430\u0431\u043e\u0440\u0435, \u043d\u0430\u043a\u0430\u043f\u043b\u0438\u0432\u0430\u0435\u043c \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u043d\u044b\u0435 \u0432\u0435\u043a\u0442\u043e\u0440\u0430.<\/p>\n<\/li>\n<li>\n<p><strong>\u0421\u0447\u0438\u0442\u0430\u0435\u043c \u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u044f<\/strong> \u043c\u0435\u0436\u0434\u0443 \u0432\u0441\u0435\u043c\u0438 \u0437\u0430\u043f\u0440\u043e\u0441\u0430\u043c\u0438 \u0438 \u0432\u0441\u0435\u043c\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f\u043c\u0438 \u0432 \u0438\u043d\u0434\u0435\u043a\u0441\u0435. \u041f\u043e\u043b\u0443\u0447\u0430\u0435\u0442\u0441\u044f \u043c\u0430\u0442\u0440\u0438\u0446\u0430 \u0440\u0430\u0437\u043c\u0435\u0440\u043e\u043c <img loading=\"lazy\" decoding=\"async\" class=\"formula inline\" source=\"Q\\times G\" alt=\"Q\\times G\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/f60\/b6d\/fd5\/f60b6dfd5d77e7e664fd1b25a2e563dc.svg\" width=\"55\" height=\"20\"\/>. \u0421\u043e\u0440\u0442\u0438\u0440\u0443\u0435\u043c \u0441\u0442\u0440\u043e\u043a\u0438 \u043c\u0430\u0442\u0440\u0438\u0446\u044b, \u0447\u0442\u043e\u0431\u044b \u0432 \u043d\u0430\u0447\u0430\u043b\u043e \u043f\u043e\u043f\u0430\u043b\u0438 \u044d\u043b\u0435\u043c\u0435\u043d\u0442\u044b \u0438\u043d\u0434\u0435\u043a\u0441\u0430, \u043d\u0430\u0438\u0431\u043e\u043b\u0435\u0435 \u0431\u043b\u0438\u0437\u043a\u0438\u0435 \u043a \u0437\u0430\u043f\u0440\u043e\u0441\u0430\u043c. <\/p>\n<\/li>\n<li>\n<p><strong>\u0412\u044b\u0447\u0438\u0441\u043b\u044f\u0435\u043c \u043c\u0435\u0442\u0440\u0438\u043a\u0438.<\/strong> \u041b\u043e\u0433\u0438\u0447\u043d\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c <a href=\"https:\/\/en.wikipedia.org\/wiki\/Evaluation_measures_(information_retrieval)\">\u043c\u0435\u0442\u0440\u0438\u043a\u0438<\/a> \u0438\u0437 \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u043e\u043d\u043d\u043e\u0433\u043e \u043f\u043e\u0438\u0441\u043a\u0430, \u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440:<\/p>\n<ul>\n<li>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"formula inline\" source=\"CMC@k\" alt=\"CMC@k\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/e02\/d12\/22e\/e02d1222e9c5e3a77707bfca31697861.svg\" width=\"76\" height=\"17\"\/>\u2014 <img loading=\"lazy\" decoding=\"async\" class=\"formula inline\" source=\"1\" alt=\"1\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/1c9\/7dc\/814\/1c97dc8140b177e57f2770ed1687344c.svg\" width=\"10\" height=\"17\"\/>, \u0435\u0441\u043b\u0438 \u0435\u0441\u0442\u044c \u0445\u043e\u0442\u044f \u0431\u044b \u043e\u0434\u0438\u043d \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0439 \u043e\u0442\u0432\u0435\u0442 \u0432 \u043f\u0435\u0440\u0432\u044b\u0445 <img loading=\"lazy\" decoding=\"async\" class=\"formula inline\" source=\"k\" alt=\"k\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/a5c\/859\/871\/a5c859871848bfbad81cf59971bb145f.svg\" width=\"10\" height=\"17\"\/> \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0445, \u0438\u043d\u0430\u0447\u0435 <img loading=\"lazy\" decoding=\"async\" class=\"formula inline\" source=\"0\" alt=\"0\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/6c1\/48c\/340\/6c148c340df3037c3fe8152081b48a7d.svg\" width=\"10\" height=\"17\"\/>.<\/p>\n<\/li>\n<li>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"formula inline\" source=\"Precision@k\" alt=\"Precision@k\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/751\/787\/9e2\/7517879e259f44716de5d605cb724e15.svg\" width=\"111\" height=\"17\"\/>\u2014 \u0434\u043e\u043b\u044f \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0445 \u043e\u0442\u0432\u0435\u0442\u043e\u0432 \u0432 \u043f\u0435\u0440\u0432\u044b\u0445 <img loading=\"lazy\" decoding=\"async\" class=\"formula inline\" source=\"k\" alt=\"k\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/a5c\/859\/871\/a5c859871848bfbad81cf59971bb145f.svg\" width=\"10\" height=\"17\"\/> \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0445.<\/p>\n<\/li>\n<li>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"formula inline\" source=\"MAP@k\" alt=\"MAP@k\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/65c\/1dd\/e0d\/65c1dde0dfe843d311b407aaad5ee06f.svg\" width=\"75\" height=\"18\"\/>\u2014 \u0430\u043d\u0430\u043b\u043e\u0433 \u043f\u0440\u0435\u0434\u044b\u0434\u0443\u0449\u0435\u0433\u043e, \u043d\u043e \u0443\u0447\u0438\u0442\u044b\u0432\u0430\u044e\u0442\u0441\u044f \u043f\u043e\u0437\u0438\u0446\u0438\u0438 \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0445 \u043e\u0442\u0432\u0435\u0442\u043e\u0432.<\/p>\n<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n<p>\u0420\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u043f\u0440\u0438\u043c\u0435\u0440 \u043d\u0438\u0436\u0435 \u0434\u043b\u044f \u0442\u0440\u0451\u0445 \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432 (\u0432\u044b\u0434\u0435\u043b\u0435\u043d\u044b \u0441\u0438\u043d\u0438\u043c), \u0434\u043b\u044f \u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u043c\u044b \u0432\u0435\u0440\u043d\u0443\u043b\u0438 5 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 \u0432 \u043f\u043e\u0440\u044f\u0434\u043a\u0435 \u0432\u043e\u0437\u0440\u0430\u0441\u0442\u0430\u043d\u0438\u044f \u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u044f \u043c\u0435\u0436\u0434\u0443 \u043d\u0438\u043c\u0438 \u0438 \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u043c; \u0447\u0430\u0441\u0442\u044c \u0438\u0437 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u043e\u0432 \u043f\u043e\u0438\u0441\u043a\u0430 \u0438\u043c\u0435\u044e\u0442 \u0442\u043e\u0442 \u0436\u0435 \u0430\u0440\u0442\u0438\u043a\u0443\u043b, \u0447\u0442\u043e \u0438 \u0437\u0430\u043f\u0440\u043e\u0441 (\u0432\u044b\u0434\u0435\u043b\u0435\u043d\u044b \u0437\u0435\u043b\u0451\u043d\u044b\u043c \u043a\u0430\u043a \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0435 \u043e\u0442\u0432\u0435\u0442\u044b), \u0430 \u0447\u0430\u0441\u0442\u044c \u0438\u0437 \u043d\u0438\u0445 \u0438\u043c\u0435\u044e\u0442 \u0434\u0440\u0443\u0433\u043e\u0439 (\u0432\u044b\u0434\u0435\u043b\u0435\u043d\u044b \u043a\u0440\u0430\u0441\u043d\u044b\u043c \u043a\u0430\u043a \u043e\u0448\u0438\u0431\u043a\u0438). \u0414\u043b\u044f \u0432\u0441\u0435\u0445 \u0442\u0440\u0451\u0445 \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432 <img loading=\"lazy\" decoding=\"async\" class=\"formula inline\" source=\"CMC@5=1\" alt=\"CMC@5=1\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/75a\/77a\/a1c\/75a77aa1ca2933665cb4d4c56ffce8fa.svg\" width=\"111\" height=\"17\"\/>. \u0421<img loading=\"lazy\" decoding=\"async\" class=\"formula inline\" source=\"Precision@5\" alt=\"Precision@5\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/d9f\/0fa\/368\/d9f0fa368aa2f3b83a79b808ea15d889.svg\" width=\"110\" height=\"17\"\/>\u043d\u0435\u043c\u043d\u043e\u0433\u043e \u0441\u043b\u043e\u0436\u043d\u0435\u0435, \u0442\u0430\u043a \u043a\u0430\u043a \u043d\u0430\u043c \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e \u0437\u043d\u0430\u0442\u044c, \u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0432\u0441\u0435\u0433\u043e \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0445 \u043e\u0442\u0432\u0435\u0442\u043e\u0432 \u043c\u043e\u0436\u043d\u043e \u0432\u0435\u0440\u043d\u0443\u0442\u044c \u0434\u043b\u044f \u0437\u0430\u043f\u0440\u043e\u0441\u0430, \u0447\u0442\u043e\u0431\u044b \u043d\u0435 \u0448\u0442\u0440\u0430\u0444\u043e\u0432\u0430\u0442\u044c \u043c\u043e\u0434\u0435\u043b\u044c \u0432 \u0441\u043b\u0443\u0447\u0430\u044f\u0445, \u043a\u043e\u0433\u0434\u0430 \u0434\u0430\u0436\u0435 \u0442\u0435\u043e\u0440\u0435\u0442\u0438\u0447\u0435\u0441\u043a\u0438 \u043d\u0435 \u0438\u0437 \u0447\u0435\u0433\u043e \u0432\u044b\u0431\u0440\u0430\u0442\u044c 5 \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0445 \u043e\u0442\u0432\u0435\u0442\u043e\u0432. \u0414\u043e\u043f\u0443\u0441\u0442\u0438\u043c, \u0434\u043b\u044f \u043f\u0435\u0440\u0432\u043e\u0433\u043e \u0437\u0430\u043f\u0440\u043e\u0441\u0430 \u0441\u0443\u0449\u0435\u0441\u0442\u0432\u0443\u0435\u0442 5 \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0445 \u043e\u0442\u0432\u0435\u0442\u043e\u0432 \u0432 \u043f\u043e\u0438\u0441\u043a\u043e\u0432\u043e\u043c \u0438\u043d\u0434\u0435\u043a\u0441\u0435, \u0434\u043b\u044f \u0432\u0442\u043e\u0440\u043e\u0433\u043e \u2014 3, \u0434\u043b\u044f \u0442\u0440\u0435\u0442\u044c\u0435\u0433\u043e \u2014 4. \u0422\u043e\u0433\u0434\u0430 \u043c\u0435\u0442\u0440\u0438\u043a\u0430 \u0434\u043b\u044f \u043f\u0435\u0440\u0432\u043e\u0433\u043e \u0440\u0430\u0432\u043d\u0430 <img loading=\"lazy\" decoding=\"async\" class=\"formula inline\" source=\"\\frac{2}{5}\" alt=\"\\frac{2}{5}\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/7f4\/d2b\/94c\/7f4d2b94cef4f154473ab7d6c91aab82.svg\" width=\"17\" height=\"43\"\/>, \u0434\u043b\u044f \u0432\u0442\u043e\u0440\u043e\u0433\u043e <img loading=\"lazy\" decoding=\"async\" class=\"formula inline\" source=\"\\frac{2}{min(3,5)}=\\frac{2}{3}\" alt=\"\\frac{2}{min(3,5)}=\\frac{2}{3}\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/8a6\/f73\/acd\/8a6f73acd2644179e25daa6e22330f7f.svg\" width=\"129\" height=\"48\"\/>, \u0434\u043b\u044f \u0442\u0440\u0435\u0442\u044c\u0435\u0433\u043e <img loading=\"lazy\" decoding=\"async\" class=\"formula inline\" source=\"\\frac{4}{min(4,5)}=1\" alt=\"\\frac{4}{min(4,5)}=1\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/3ea\/870\/690\/3ea8706907ff4de5a21c78fcba8ddaa3.svg\" width=\"122\" height=\"48\"\/>.<\/p>\n<figure class=\"full-width\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w780q1\/getpro\/habr\/upload_files\/184\/308\/1ae\/1843081ae49fccd47b92c2f62d8d28e2.jpg\" alt=\"\u0417\u0430\u043f\u0440\u043e\u0441\u044b \u2014 \u0441\u0438\u043d\u0438\u0435, \u0440\u0435\u043b\u0435\u0432\u0430\u043d\u0442\u043d\u044b\u0435 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u044b \u043f\u043e\u0438\u0441\u043a\u0430 \u2014 \u0437\u0435\u043b\u0435\u043d\u044b\u0435, \u043e\u0448\u0438\u0431\u043a\u0438 \u2014 \u043a\u0440\u0430\u0441\u043d\u044b\u0435.\" title=\"\u0417\u0430\u043f\u0440\u043e\u0441\u044b \u2014 \u0441\u0438\u043d\u0438\u0435, \u0440\u0435\u043b\u0435\u0432\u0430\u043d\u0442\u043d\u044b\u0435 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u044b \u043f\u043e\u0438\u0441\u043a\u0430 \u2014 \u0437\u0435\u043b\u0435\u043d\u044b\u0435, \u043e\u0448\u0438\u0431\u043a\u0438 \u2014 \u043a\u0440\u0430\u0441\u043d\u044b\u0435.\" width=\"1394\" height=\"788\" data-src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/184\/308\/1ae\/1843081ae49fccd47b92c2f62d8d28e2.jpg\" data-blurred=\"true\"\/><figcaption>\u0417\u0430\u043f\u0440\u043e\u0441\u044b \u2014 \u0441\u0438\u043d\u0438\u0435, \u0440\u0435\u043b\u0435\u0432\u0430\u043d\u0442\u043d\u044b\u0435 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u044b \u043f\u043e\u0438\u0441\u043a\u0430 \u2014 \u0437\u0435\u043b\u0435\u043d\u044b\u0435, \u043e\u0448\u0438\u0431\u043a\u0438 \u2014 \u043a\u0440\u0430\u0441\u043d\u044b\u0435.<\/figcaption><\/figure>\n<h2>\u041e \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0435 OpenMetricLearning<\/h2>\n<p><a href=\"https:\/\/github.com\/OML-Team\/open-metric-learning\">OML<\/a> \u044d\u0442\u043e \u043d\u043e\u0432\u0430\u044f \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430 \u0434\u043b\u044f representation learning, \u043d\u0430\u043f\u0438\u0441\u0430\u043d\u043d\u0430\u044f \u043f\u043e\u0432\u0435\u0440\u0445 <a href=\"https:\/\/github.com\/pytorch\/pytorch\">PyTorch<\/a>. \u0414\u043b\u044f \u0443\u0434\u043e\u0431\u0441\u0442\u0432\u0430 \u043f\u043e\u043d\u0438\u043c\u0430\u043d\u0438\u044f \u043d\u0438\u0436\u0435 \u043f\u0440\u0438\u0432\u0435\u0434\u0435\u043d\u044b \u043f\u0440\u0438\u043c\u0435\u0440\u044b, \u043d\u0430\u043f\u0438\u0441\u0430\u043d\u043d\u044b\u0435 \u043d\u0430 &#171;\u0433\u043e\u043b\u043e\u043c&#187; PyTorch. \u0412\u0435\u0440\u043e\u044f\u0442\u043d\u043e, \u043d\u0430 \u043f\u0440\u0430\u043a\u0442\u0438\u043a\u0435 \u0432\u044b \u0437\u0430\u0445\u043e\u0442\u0438\u0442\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u043f\u0440\u0438\u043c\u0435\u0440\u044b \u0441 <a href=\"https:\/\/github.com\/Lightning-AI\/lightning\">PyTorch Lightning<\/a> \u0438\u043b\u0438 <a href=\"https:\/\/open-metric-learning.readthedocs.io\/en\/latest\/examples\/config.html#get-started-using-config-api\">Config API<\/a> (\u043e \u043d\u0438\u0445 \u0434\u0430\u043b\u044c\u0448\u0435), \u043d\u043e \u0432\u043d\u0443\u0442\u0440\u0438 \u043e\u043d\u0438 \u0443\u0441\u0442\u0440\u043e\u0435\u043d\u044b \u0442\u0430\u043a \u0436\u0435.<\/p>\n<h4>\u041a\u043e\u0434 \u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u043a\u0438<\/h4>\n<pre><code class=\"python\">import torch from tqdm import tqdm  from oml.datasets.base import DatasetWithLabels from oml.losses.triplet import TripletLossWithMiner from oml.miners.inbatch_all_tri import AllTripletsMiner from oml.models.vit.vit import ViTExtractor from oml.samplers.balance import BalanceSampler from oml.utils.download_mock_dataset import download_mock_dataset  # \u0441\u043a\u0430\u0447\u0438\u0432\u0430\u0435\u043c \u043d\u0435\u0431\u043e\u043b\u044c\u0448\u043e\u0439 \u0438\u0433\u0440\u0443\u0448\u0435\u0447\u043d\u044b\u0439 \u0434\u0430\u0442\u0430\u0441\u0435\u0442 dataset_root = \"mock_dataset\/\" df_train, _ = download_mock_dataset(dataset_root)  # \u0441\u043e\u0437\u0434\u0430\u0435\u043c \u043c\u043e\u0434\u0435\u043b\u044c \u043d\u0430 \u043e\u0441\u043d\u043e\u0432\u0435 \u043f\u0440\u0435\u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u043e\u0433\u043e Self-Supervised \u0447\u0435\u043a\u043f\u043e\u0438\u043d\u0442\u0430  model = ViTExtractor(\"vits16_dino\", arch=\"vits16\", normalise_features=False).train() optimizer = torch.optim.SGD(model.parameters(), lr=1e-6)   train_dataset = DatasetWithLabels(df_train, dataset_root=dataset_root) # \u0441\u043e\u0437\u0434\u0430\u0435\u043c criterion, \u0432\u043a\u043b\u044e\u0447\u0430\u044e\u0449\u0438\u0439 \u0432 \u0441\u0435\u0431\u044f \u0438 \u0444\u0443\u043d\u0446\u0438\u044e \u043f\u043e\u0442\u0435\u0440\u044c, \u0438 \u043c\u0430\u0439\u043d\u0435\u0440 criterion = TripletLossWithMiner(margin=0.1, miner=AllTripletsMiner()) # \u0441\u043e\u0437\u0434\u0430\u0435\u043c \u0441\u044d\u043c\u043f\u043b\u0435\u0440, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u0432 \u043a\u0430\u0436\u0434\u044b\u0439 \u043a\u043b\u0430\u0441\u0441 \u0431\u0443\u0434\u0435\u0442 \u043a\u043b\u0430\u0441\u0442\u044c 2 \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u0438\u0442\u0435\u043b\u044f 2-\u0445 \u043a\u043b\u0430\u0441\u0441\u043e\u0432 sampler = BalanceSampler(train_dataset.get_labels(), n_labels=2, n_instances=2) train_loader = torch.utils.data.DataLoader(train_dataset, batch_sampler=sampler)  # \u0442.\u043a. \u043b\u043e\u0433\u0438\u043a\u0430, \u0441\u043f\u0435\u0446\u0438\u0444\u0438\u0447\u0435\u0441\u043a\u0430\u044f \u0434\u043b\u044f metric learning \u0441\u043a\u0440\u044b\u0442\u0430 \u0432 criterion, \u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u043a\u0430 # \u043d\u0438\u0447\u0435\u043c \u043d\u0435 \u043e\u0442\u043b\u0438\u0447\u0430\u0435\u0442\u0441\u044f \u043e\u0442 \u043e\u0431\u044b\u0447\u043d\u043e\u0439 for batch in tqdm(train_loader):     embeddings = model(batch[\"input_tensors\"])     loss = criterion(embeddings, batch[\"labels\"])     loss.backward()     optimizer.step()     optimizer.zero_grad()     <\/code><\/pre>\n<h4>\u041a\u043e\u0434 \u0432\u0430\u043b\u0438\u0434\u0430\u0446\u0438\u0438<\/h4>\n<pre><code class=\"python\">import torch from tqdm import tqdm  from oml.datasets.base import DatasetQueryGallery from oml.metrics.embeddings import EmbeddingMetrics from oml.models.vit.vit import ViTExtractor from oml.utils.download_mock_dataset import download_mock_dataset  # \u0441\u043a\u0430\u0447\u0438\u0432\u0430\u0435\u043c \u043d\u0435\u0431\u043e\u043b\u044c\u0448\u043e\u0439 \u0438\u0433\u0440\u0443\u0448\u0435\u0447\u043d\u044b\u0439 \u0434\u0430\u0442\u0430\u0441\u0435\u0442 dataset_root =  \"mock_dataset\/\" _, df_val = download_mock_dataset(dataset_root)  # \u0441\u043e\u0437\u0434\u0430\u0435\u043c \u043c\u043e\u0434\u0435\u043b\u044c \u043d\u0430 \u043e\u0441\u043d\u043e\u0432\u0435 \u043f\u0440\u0435\u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u043e\u0433\u043e Self-Supervised \u0447\u0435\u043a\u043f\u043e\u0438\u043d\u0442\u0430  model = ViTExtractor(\"vits16_dino\", arch=\"vits16\", normalise_features=False).eval()  val_dataset = DatasetQueryGallery(df_val, dataset_root=dataset_root) val_loader = torch.utils.data.DataLoader(val_dataset, batch_size=4)  # \u0441\u043e\u0437\u0434\u0430\u0435\u043c \u043a\u0430\u043b\u044c\u043a\u0443\u043b\u044f\u0442\u043e\u0440 \u043c\u0435\u0442\u0440\u0438\u043a, \u0432 \u043a\u043e\u0442\u043e\u0440\u043e\u043c \u0431\u0443\u0434\u0435\u043c \u043d\u0430\u043a\u0430\u043f\u043b\u0438\u0432\u0430\u0442\u044c \u0432\u0435\u043a\u0442\u043e\u0440\u0430 calculator = EmbeddingMetrics() calculator.setup(num_samples=len(val_dataset))  with torch.no_grad():     for batch in tqdm(val_loader):         batch[\"embeddings\"] = model(batch[\"input_tensors\"])         calculator.update_data(batch)  # \u043d\u0430\u043a\u0430\u043f\u043b\u0438\u0432\u0430\u0435\u043c \u0432\u0435\u043a\u0442\u043e\u0440\u0430  metrics = calculator.compute_metrics()  # \u0432\u044b\u0447\u0438\u0441\u043b\u044f\u0435\u043c \u043c\u0435\u0442\u0440\u0438\u043a\u0438: cmc@k, precision@k, map@k <\/code><\/pre>\n<h2>\u041f\u043e\u0434\u0440\u043e\u0431\u043d\u0435\u0435 \u043f\u0440\u043e OML \u0432 \u043a\u043e\u043d\u0442\u0435\u043a\u0441\u0442\u0435 \u0441\u0440\u0430\u0432\u043d\u0435\u043d\u0438\u044f \u0441 PyTorchMetricLearning<\/h2>\n<p>\u0412\u0441\u0451 \u043f\u043e\u0437\u043d\u0430\u0435\u0442\u0441\u044f \u0432 \u0441\u0440\u0430\u0432\u043d\u0435\u043d\u0438\u0438, \u043f\u043e\u044d\u0442\u043e\u043c\u0443, \u0447\u0442\u043e\u0431\u044b \u0431\u043e\u043b\u044c\u0448\u0435 \u0443\u0437\u043d\u0430\u0442\u044c \u043e\u0431 OML, \u0434\u0430\u0432\u0430\u0439\u0442\u0435 \u0441\u0440\u0430\u0432\u043d\u0438\u043c \u0435\u0433\u043e \u0441 \u043f\u043e\u043f\u0443\u043b\u044f\u0440\u043d\u043e\u0439 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u043e\u0439 <a href=\"https:\/\/kevinmusgrave.github.io\/pytorch-metric-learning\/\">PyTorchMetricLearning<\/a> (PML). \u0418\u0437\u043d\u0430\u0447\u0430\u043b\u044c\u043d\u043e, \u0432 \u043d\u0430\u0448\u0435\u043c \u043f\u0440\u043e\u0435\u043a\u0442\u0435 \u043c\u044b \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043b\u0438 \u0438\u043c\u0435\u043d\u043d\u043e \u0435\u0451, \u043d\u043e \u0432 \u0438\u0442\u043e\u0433\u0435 \u0441\u043e\u0437\u0434\u0430\u043b\u0438 \u0441\u0432\u043e\u0439 \u043f\u0440\u043e\u0435\u043a\u0442, \u0431\u043e\u043b\u0435\u0435 \u043e\u0440\u0438\u0435\u043d\u0442\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0439 \u043d\u0430 \u043f\u0430\u0439\u043f\u043b\u0430\u0439\u043d \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0438 \u043f\u0440\u0430\u043a\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u0435 \u043f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u0435.<\/p>\n<ul>\n<li>\n<p>\u0421\u0438\u043b\u044c\u043d\u0430\u044f \u0441\u0442\u043e\u0440\u043e\u043d\u0430 PML \u0432 \u0440\u0435\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u0438 \u0431\u043e\u043b\u044c\u0448\u043e\u0433\u043e \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u0430 \u043b\u043e\u0441\u0441\u043e\u0432, \u043c\u0430\u0439\u043d\u0435\u0440\u043e\u0432 \u0438 \u0444\u0443\u043d\u043a\u0446\u0438\u0439 \u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u0439. \u041f\u043e \u044d\u0442\u043e\u0439 \u043f\u0440\u0438\u0447\u0438\u043d\u0435 \u043c\u044b \u0434\u043e\u0431\u0430\u0432\u0438\u043b\u0438 <a href=\"https:\/\/open-metric-learning.readthedocs.io\/en\/latest\/examples\/pml.html#usage-with-pytorch-metric-learning\">\u043f\u0440\u0438\u043c\u0435\u0440\u044b<\/a> \u0438\u0445 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u044f \u0441 OML. <\/p>\n<\/li>\n<li>\n<p>OML \u0438\u043c\u0435\u0435\u0442<a href=\"https:\/\/open-metric-learning.readthedocs.io\/en\/latest\/examples\/config.html#get-started-using-config-api\"> Config API<\/a>, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u043f\u043e\u0437\u0432\u043e\u043b\u044f\u0435\u0442 \u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u043c\u043e\u0434\u0435\u043b\u044c \u0431\u0435\u0437 \u043d\u0430\u043f\u0438\u0441\u0430\u043d\u0438\u044f \u043a\u043e\u0434\u0430. \u0422\u0440\u0435\u0431\u0443\u0435\u0442\u0441\u044f \u0442\u043e\u043b\u044c\u043a\u043e \u043f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u0438\u0442\u044c \u0434\u0430\u043d\u043d\u044b\u0435 \u0432 \u043d\u0443\u0436\u043d\u043e\u043c \u0444\u043e\u0440\u043c\u0430\u0442\u0435 \u0438 \u0430\u0434\u0430\u043f\u0442\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u043a\u043e\u043d\u0444\u0438\u0433\u0443\u0440\u0430\u0446\u0438\u043e\u043d\u043d\u044b\u0439 \u0444\u0430\u0439\u043b \u043f\u043e\u0434 \u0441\u0432\u043e\u0438 \u043d\u0443\u0436\u043d\u044b. (\u041a\u0430\u043a \u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u043a\u0430 \u0434\u0435\u0442\u0435\u043a\u0442\u043e\u0440\u0430 \u0432 <a href=\"https:\/\/github.com\/open-mmlab\/mmdetection\">mmdetection<\/a>, \u043a\u043e\u0433\u0434\u0430 \u043d\u0443\u0436\u043d\u043e \u043f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u0438\u0442\u044c \u0434\u0430\u0442\u0430\u0441\u0435\u0442 \u0432 \u0444\u043e\u0440\u043c\u0430\u0442\u0435 <a href=\"https:\/\/cocodataset.org\/#home\">COCO<\/a>).<\/p>\n<\/li>\n<li>\n<p>OML \u043e\u0440\u0438\u0435\u043d\u0442\u0438\u0440\u043e\u0432\u0430\u043d \u043d\u0430 end-to-end \u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u043a\u0443 \u0438 \u0440\u0435\u0446\u0435\u043f\u0442\u044b \u043f\u043e \u043f\u0440\u0430\u043a\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u043c\u0443 \u043f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u044e, \u043f\u043e\u044d\u0442\u043e\u043c\u0443 \u043c\u044b \u043f\u0440\u0435\u0434\u043b\u0430\u0433\u0430\u0435\u043c \u043f\u0440\u0438\u043c\u0435\u0440\u044b \u0441 \u043d\u0430\u0431\u043e\u0440\u043e\u043c \u0433\u0438\u043f\u0435\u0440\u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u043e\u0432, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0445\u043e\u0440\u043e\u0448\u043e \u043f\u043e\u043a\u0430\u0437\u0430\u043b\u0438 \u0441\u0435\u0431\u044f \u043d\u0430 \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u0430\u0445, \u043f\u0440\u0438\u0431\u043b\u0438\u0436\u0435\u043d\u043d\u044b\u0445 \u043a \u0440\u0435\u0430\u043b\u044c\u043d\u043e\u0439 \u0436\u0438\u0437\u043d\u0438 (\u0441\u043e\u0434\u0435\u0440\u0436\u0430\u0449\u0438\u0445 \u0442\u044b\u0441\u044f\u0447\u0438 \u043a\u043b\u0430\u0441\u0441\u043e\u0432). \u0412 \u0442\u043e \u0436\u0435 \u0432\u0440\u0435\u043c\u044f, PML \u0441\u043a\u043e\u0440\u0435\u0435 \u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u043d\u0430\u0431\u043e\u0440\u043e\u043c \u0440\u0435\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u0439 \u0440\u0430\u0437\u043b\u0438\u0447\u043d\u044b\u0445 \u0444\u0443\u043d\u043a\u0446\u0438\u0438 \u043f\u043e\u0442\u0435\u0440\u044c, \u0447\u0442\u043e <a href=\"https:\/\/github.com\/KevinMusgrave\/pytorch-metric-learning\/issues\/169#issuecomment-670814393\">\u043f\u043e\u0434\u0442\u0432\u0435\u0440\u0436\u0434\u0430\u0435\u0442<\/a> \u0441\u0430\u043c \u0430\u0432\u0442\u043e\u0440, \u0430 \u043f\u0440\u0438\u043c\u0435\u0440\u044b \u043f\u0440\u0435\u0434\u043b\u0430\u0433\u0430\u044e\u0442\u0441\u044f \u043d\u0430 \u0438\u0433\u0440\u0443\u0448\u0435\u0447\u043d\u044b\u0445 \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u0430\u0445 <a href=\"https:\/\/paperswithcode.com\/dataset\/cifar-100\">CIFAR<\/a> \u0438 <a href=\"https:\/\/paperswithcode.com\/dataset\/mnist\">MNIST<\/a>.<\/p>\n<\/li>\n<li>\n<p>\u0412 OML \u0435\u0441\u0442\u044c <a href=\"https:\/\/open-metric-learning.readthedocs.io\/en\/latest\/from_readme\/zoo.html\">\u0437\u043e\u043e\u043f\u0430\u0440\u043a \u043c\u043e\u0434\u0435\u043b\u0435\u0439<\/a>, \u043d\u0430\u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0445 \u0434\u0440\u0443\u0433\u0438\u043c\u0438 \u0438\u0441\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044f\u043c\u0438 \u0432 self-supervised \u0440\u0435\u0436\u0438\u043c\u0435, \u0438 \u043d\u0430\u043c\u0438. \u041f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u0434\u043e\u0441\u0442\u0443\u043f \u043a \u0442\u0430\u043a\u0438\u043c \u043c\u043e\u0434\u0435\u043b\u044f\u043c \u0442\u0430\u043a \u0436\u0435 \u043f\u0440\u043e\u0441\u0442\u043e, \u043a\u0430\u043a \u0432 <code>torchvision<\/code>, \u043a\u043e\u0433\u0434\u0430 \u0432\u044b \u043f\u0438\u0448\u0435\u0442\u0435 <code>resnet(pretrained=True)<\/code>.<\/p>\n<\/li>\n<li>\n<p>OML \u0438\u043d\u0442\u0435\u0433\u0440\u0438\u0440\u043e\u0432\u0430\u043d \u0441 PyTroch Lightning, \u043f\u043e\u044d\u0442\u043e\u043c\u0443 \u043c\u044b \u043c\u043e\u0436\u0435\u043c \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u0432\u0441\u044e \u0444\u0443\u043d\u043a\u0446\u0438\u043e\u043d\u0430\u043b\u044c\u043d\u043e\u0441\u0442\u044c \u0435\u0433\u043e <a href=\"https:\/\/pytorch-lightning.readthedocs.io\/en\/stable\/common\/trainer.html\">Trainer&#8217;a<\/a>, \u0447\u0442\u043e \u043e\u0441\u043e\u0431\u0435\u043d\u043d\u043e \u043f\u043e\u043b\u0435\u0437\u043d\u043e \u0434\u043b\u044f \u0440\u0430\u0431\u043e\u0442\u044b \u0432 DDP \u0440\u0435\u0436\u0438\u043c\u0435 \u0441 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u0438\u043c\u0438 GPU: \u0432\u044b \u043c\u043e\u0436\u0435\u0442\u0435 \u0441\u0440\u0430\u0432\u043d\u0438\u0442\u044c <a href=\"https:\/\/open-metric-learning.readthedocs.io\/en\/latest\/examples\/python.html\">\u043d\u0430\u0448<\/a> \u0438 <a href=\"https:\/\/github.com\/KevinMusgrave\/pytorch-metric-learning\/blob\/master\/examples\/notebooks\/DistributedTripletMarginLossMNIST.ipynb\">\u0438\u0445<\/a> \u043f\u0440\u0438\u043c\u0435\u0440\u044b. \u0425\u043e\u0442\u044f \u0432 PML \u0442\u043e\u0436\u0435 \u0435\u0441\u0442\u044c \u043c\u043e\u0434\u0443\u043b\u044c <a href=\"https:\/\/kevinmusgrave.github.io\/pytorch-metric-learning\/trainers\/\">Trainers<\/a>, \u043e\u043d \u0434\u0430\u0432\u043d\u043e \u043d\u0435 \u043e\u0431\u043d\u043e\u0432\u043b\u044f\u043b\u0441\u044f \u0438 \u043d\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u0442\u0441\u044f \u0432 \u043f\u0440\u0438\u043c\u0435\u0440\u0430\u0445, \u0433\u0434\u0435 \u043a\u0430\u0436\u0434\u044b\u0439 \u0440\u0430\u0437 \u0440\u0435\u0430\u043b\u0438\u0437\u0443\u044e\u0442\u0441\u044f <code>train<\/code>\u0438<code>test<\/code> \u0444\u0443\u043d\u043a\u0446\u0438\u0438, \u0447\u0442\u043e \u0437\u0430\u0441\u0442\u0430\u0432\u043b\u044f\u0435\u0442 \u0441\u0430\u043c\u043e\u0441\u0442\u043e\u044f\u0442\u0435\u043b\u044c\u043d\u043e \u0440\u0435\u0430\u043b\u0438\u0437\u043e\u0432\u044b\u0432\u0430\u0442\u044c \u0442\u0443 \u0444\u0443\u043d\u043a\u0446\u0438\u043e\u043d\u0430\u043b\u044c\u043d\u043e\u0441\u0442\u044c, \u043a\u043e\u0442\u043e\u0440\u0443\u044e \u043e\u0431\u044b\u0447\u043d\u043e \u0432\u044b\u043d\u043e\u0441\u044f\u0442 \u0432 \u043a\u043e\u043b\u0431\u044d\u043a\u0438 trainer&#8217;a (\u0441\u043e\u0445\u0440\u0430\u043d\u0435\u043d\u0438\u0435 \u043b\u0443\u0447\u0448\u0438\u0445 \u0432\u0435\u0441\u043e\u0432, early stopping, \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u0438\u0435 learning rate, \u0432\u0438\u0437\u0443\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044e, \u043b\u043e\u0433\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435, \u0438 \u043f\u0440\u043e\u0447\u0435\u0435).<\/p>\n<\/li>\n<\/ul>\n<h2>\u041d\u0430\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0445\u043e\u0440\u043e\u0448\u0443\u044e \u043c\u043e\u0434\u0435\u043b\u044c \u043c\u043e\u0436\u043d\u043e \u043e\u0431\u0443\u0447\u0438\u0442\u044c \u0441 OML?<\/h2>\n<p>\u041d\u0430 \u0443\u0440\u043e\u0432\u043d\u0435 \u043b\u0443\u0447\u0448\u0438\u0445 \u0441\u0443\u0449\u0435\u0441\u0442\u0432\u0443\u044e\u0449\u0438\u0445 \u043c\u043e\u0434\u0435\u043b\u0435\u0439. \u041d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u0441\u043e\u043f\u043e\u0441\u0442\u0430\u0432\u0438\u043c\u043e \u0441 <a href=\"https:\/\/paperswithcode.com\/paper\/hyperbolic-vision-transformers-combining\">Hyp-ViT<\/a>, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u044f\u0435\u0442 \u0441\u043e\u0431\u043e\u0439 <a href=\"https:\/\/paperswithcode.com\/paper\/an-image-is-worth-16x16-words-transformers-1\">ViT<\/a> \u043e\u0431\u0443\u0447\u0435\u043d\u043d\u044b\u0439 \u0441 contrastive loss, \u043f\u043e\u0432\u0435\u0440\u0445 \u0432\u044b\u0445\u043e\u0434\u043e\u0432 \u043a\u043e\u0442\u043e\u0440\u043e\u0433\u043e \u043f\u0440\u0438\u043c\u0435\u043d\u044f\u044e\u0442\u0441\u044f \u0433\u0435\u043e\u043c\u0435\u0442\u0440\u0438\u0447\u0435\u0441\u043a\u0438\u0435 \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u0438\u044f \u0432 \u0433\u0438\u043f\u0435\u0440\u0431\u043e\u043b\u0438\u0447\u0435\u0441\u043a\u043e\u043c \u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u0441\u0442\u0432\u0435.<\/p>\n<p>\u041c\u044b \u043e\u0431\u0443\u0447\u0438\u043b\u0438 \u0442\u0430\u043a\u0443\u044e \u0436\u0435 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0443 \u0441 triplet loss, \u0437\u0430\u0444\u0438\u043a\u0441\u0438\u0440\u043e\u0432\u0430\u0432 \u0434\u043b\u044f \u0447\u0438\u0441\u0442\u043e\u0442\u044b \u0441\u0440\u0430\u0432\u043d\u0435\u043d\u0438\u044f \u0434\u0440\u0443\u0433\u0438\u0435 \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u044b, \u0442\u0430\u043a\u0438\u0435 \u043a\u0430\u043a \u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u043e\u0447\u043d\u044b\u0435 \u0438 \u0442\u0435\u0441\u0442\u043e\u0432\u044b\u0435 \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u0438, \u0440\u0430\u0437\u043c\u0435\u0440 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 \u0438 \u043e\u043f\u0442\u0438\u043c\u0438\u0437\u0430\u0442\u043e\u0440. \u041f\u0440\u0438 \u044d\u0442\u043e\u043c \u043c\u044b \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043b\u0438 \u043d\u0430\u0448\u0438 \u0441\u044d\u043c\u043f\u043b\u0435\u0440 \u0438 \u043c\u0430\u0439\u043d\u0435\u0440, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0440\u0435\u0430\u043b\u0438\u0437\u0443\u044e\u0442 \u043f\u0440\u043e\u0441\u0442\u044b\u0435 \u044d\u0432\u0440\u0438\u0441\u0442\u0438\u043a\u0438:<\/p>\n<ul>\n<li>\n<p>\u0421\u044d\u043c\u043f\u043b\u0435\u0440 \u043a\u043b\u0430\u0434\u0451\u0442 \u0432 \u0431\u0430\u0442\u0447 \u0442\u043e\u043b\u044c\u043a\u043e \u043a\u043b\u0430\u0441\u0441\u044b (\u0430\u0440\u0442\u0438\u043a\u0443\u043b\u044b) \u0438\u0437 \u043e\u0433\u0440\u0430\u043d\u0438\u0447\u0435\u043d\u043d\u043e\u0433\u043e \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u0430 \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0438 <img loading=\"lazy\" decoding=\"async\" class=\"formula inline\" source=\"c\" alt=\"c\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/996\/f16\/2c8\/996f162c8fba26a35943f531c9497037.svg\" width=\"8\" height=\"12\"\/>.  \u041d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u043f\u0440\u0438 <img loading=\"lazy\" decoding=\"async\" class=\"formula inline\" source=\"\u0441=1\" alt=\"\u0441=1\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/0c4\/7d5\/a83\/0c47d5a83bf670315e0567ec5b7747ad.svg\" width=\"43\" height=\"27\"\/>\u0432 \u0431\u0430\u0442\u0447 \u043f\u043e\u043f\u0430\u0434\u0430\u044e\u0442, \u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u0442\u043e\u043b\u044c\u043a\u043e \u043a\u0443\u0440\u0442\u043a\u0438, \u0447\u0442\u043e \u0430\u0432\u0442\u043e\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438 \u0434\u0435\u043b\u0430\u0435\u0442 \u043d\u0435\u0433\u0430\u0442\u0438\u0432\u043d\u044b\u0435 \u043f\u0430\u0440\u044b \u0441\u043b\u043e\u0436\u043d\u044b\u043c\u0438: \u0434\u043b\u044f \u043c\u043e\u0434\u0435\u043b\u0438 \u0433\u043e\u0440\u0430\u0437\u0434\u043e \u0432\u0430\u0436\u043d\u0435\u0435 \u0432\u044b\u0443\u0447\u0438\u0442\u044c, \u043f\u043e\u0447\u0435\u043c\u0443 \u043e\u0442\u043b\u0438\u0447\u0430\u044e\u0442\u0441\u044f \u043a\u0430\u043a\u0438\u0435-\u0442\u043e \u0434\u0432\u0435 \u043a\u0443\u0440\u0442\u043a\u0438, \u0447\u0435\u043c \u043a\u0430\u043a\u0430\u044f-\u0442\u043e \u043a\u0443\u0440\u0442\u043a\u0430 \u0438 \u043a\u0430\u043a\u0438\u0435-\u0442\u043e \u0431\u0440\u044e\u043a\u0438.<\/p>\n<\/li>\n<li>\n<p>\u041c\u0430\u0439\u043d\u0435\u0440 \u0435\u0449\u0451 \u0431\u043e\u043b\u044c\u0448\u0435 \u0443\u0441\u043b\u043e\u0436\u043d\u044f\u0435\u0442 \u0437\u0430\u0434\u0430\u0447\u0443, \u043e\u0441\u0442\u0430\u0432\u043b\u044f\u044f \u0442\u043e\u043b\u044c\u043a\u043e \u0441\u0430\u043c\u044b\u0435 \u0441\u043b\u043e\u0436\u043d\u044b\u0435 \u0442\u0440\u0438\u043f\u043b\u0435\u0442\u044b (\u0441 \u043c\u0430\u043a\u0441\u0438\u043c\u0430\u043b\u044c\u043d\u044b\u043c \u043f\u043e\u0437\u0438\u0442\u0438\u0432\u043d\u044b\u043c \u0438 \u043c\u0438\u043d\u0438\u043c\u0430\u043b\u044c\u043d\u044b\u043c \u043d\u0435\u0433\u0430\u0442\u0438\u0432\u043d\u044b\u043c \u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u044f\u043c\u0438).<\/p>\n<\/li>\n<\/ul>\n<div>\n<div class=\"table\">\n<table>\n<tbody>\n<tr>\n<td>\n<p align=\"center\">\u041c\u043e\u0434\u0435\u043b\u044c<\/p>\n<\/td>\n<td>\n<p align=\"center\"><a href=\"https:\/\/paperswithcode.com\/sota\/metric-learning-on-stanford-online-products-1\">Stanford Online Products<\/a><\/p>\n<\/td>\n<td>\n<p align=\"center\"><a href=\"https:\/\/paperswithcode.com\/sota\/metric-learning-on-in-shop-1\">DeepFashion InShop<\/a><\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"center\">Hyp-ViT<\/p>\n<\/td>\n<td>\n<p align=\"center\">85.9, <a href=\"https:\/\/github.com\/htdt\/hyp_metric\">\u043a\u043e\u0434<\/a><\/p>\n<\/td>\n<td>\n<p align=\"center\">92.5, <a href=\"https:\/\/github.com\/htdt\/hyp_metric\">\u043a\u043e\u0434<\/a><\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"center\">ViT + triplet loss (\u043d\u0430\u0448\u0435)<\/p>\n<\/td>\n<td>\n<p align=\"center\">86.6, <a href=\"https:\/\/github.com\/OML-Team\/open-metric-learning\/blob\/main\/examples\/inshop\/configs\/train_inshop.yaml\">\u043a\u043e\u043d\u0444\u0438\u0433<\/a><\/p>\n<\/td>\n<td>\n<p align=\"center\">92.1, <a href=\"https:\/\/github.com\/OML-Team\/open-metric-learning\/blob\/main\/examples\/sop\/configs\/train_sop.yaml\">\u043a\u043e\u043d\u0444\u0438\u0433<\/a><\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n<p>\u0422\u0430\u043a\u0438\u043c \u043e\u0431\u0440\u0430\u0437\u043e\u043c, \u043d\u0430\u043c \u0443\u0434\u0430\u043b\u043e\u0441\u044c \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u043c\u043e\u0434\u0435\u043b\u044c \u043d\u0430 \u0443\u0440\u043e\u0432\u043d\u0435 SotA, \u043e\u0431\u043e\u0439\u0434\u044f\u0441\u044c \u043f\u0440\u043e\u0441\u0442\u044b\u043c\u0438 \u044d\u0432\u0440\u0438\u0441\u0442\u0438\u043a\u0430\u043c\u0438 \u0438 \u043d\u0435 \u043f\u0440\u0438\u0431\u0435\u0433\u0430\u044f \u043a \u0441\u043b\u043e\u0436\u043d\u043e\u0439 \u043c\u0430\u0442\u0435\u043c\u0430\u0442\u0438\u043a\u0435.<\/p>\n<h2>\u0417\u0430\u043a\u043b\u044e\u0447\u0435\u043d\u0438\u0435<\/h2>\n<p>\u0415\u0441\u043b\u0438 \u0412\u0430\u043c \u0437\u0430\u0445\u043e\u0442\u0435\u043b\u043e\u0441\u044c \u043f\u043e\u0440\u0430\u0431\u043e\u0442\u0430\u0442\u044c \u0441 \u0434\u0430\u043d\u043d\u044b\u043c \u0442\u0438\u043f\u043e\u043c \u0437\u0430\u0434\u0430\u0447 \u043d\u0430 \u043f\u0440\u0430\u043a\u0442\u0438\u043a\u0435, \u043f\u0440\u0438\u0433\u043b\u0430\u0448\u0430\u0435\u043c \u0412\u0430\u0441 \u043f\u043e\u0443\u0447\u0430\u0441\u0442\u0432\u043e\u0432\u0430\u0442\u044c \u0432 <a href=\"https:\/\/github.com\/OML-Team\/open-metric-learning\">OpenMetricLearning<\/a>. \u041c\u043e\u0436\u043d\u043e \u0432\u0437\u044f\u0442\u044c\u0441\u044f \u0437\u0430 \u043e\u0434\u043d\u0443 \u0438\u0437 \u0441\u0443\u0449\u0435\u0441\u0442\u0432\u0443\u044e\u0449\u0438\u0445 <a href=\"https:\/\/github.com\/OML-Team\/open-metric-learning\/projects\/1\">\u0437\u0430\u0434\u0430\u0447<\/a> (\u0443 \u043d\u0430\u0441 \u0435\u0441\u0442\u044c \u0438 \u0438\u043d\u0436\u0435\u043d\u0435\u0440\u043d\u044b\u0435 \u0437\u0430\u0434\u0430\u0447\u0438, \u0438 \u043e\u0440\u0438\u0435\u043d\u0442\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0435 \u043d\u0430 \u0440\u0435\u0441\u0451\u0440\u0447) \u0438\u043b\u0438 \u043f\u0440\u0435\u0434\u043b\u043e\u0436\u0438\u0442\u044c \u0441\u0432\u043e\u044e \u0438\u0434\u0435\u044e, \u0441\u043e\u0437\u0434\u0430\u0432 <a href=\"https:\/\/github.com\/OML-Team\/open-metric-learning\/blob\/main\/CONTRIBUTING.md\">\u043d\u043e\u0432\u044b\u0439 issue<\/a>.<\/p>\n<\/p>\n<\/div>\n<\/div>\n<\/div>\n<div class=\"v-portal\" style=\"display:none;\"><\/div>\n<\/div>\n<p> <!----> <!----><br \/> \u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438 <a href=\"https:\/\/habr.com\/ru\/company\/ods\/blog\/695380\/\"> https:\/\/habr.com\/ru\/company\/ods\/blog\/695380\/<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<div><\/div>\n<div id=\"post-content-body\">\n<div>\n<div class=\"article-formatted-body article-formatted-body article-formatted-body_version-2\">\n<div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\">\n<p>\u042d\u0442\u043e\u0442 \u043f\u043e\u0441\u0442 \u043f\u0440\u0438\u0443\u0440\u043e\u0447\u0435\u043d \u043a \u043d\u0435\u0434\u0430\u0432\u043d\u0435\u043c\u0443 \u0440\u0435\u043b\u0438\u0437\u0443 open-source \u043f\u0440\u043e\u0435\u043a\u0442\u0430 <a href=\"https:\/\/github.com\/OML-Team\/open-metric-learning\">OpenMetricLearning<\/a> (OML), \u043e\u0434\u043d\u0430 \u0438\u0437 \u0446\u0435\u043b\u0435\u0439 \u043a\u043e\u0442\u043e\u0440\u043e\u0433\u043e \u2014 \u043c\u0430\u043a\u0441\u0438\u043c\u0430\u043b\u044c\u043d\u043e \u0441\u043d\u0438\u0437\u0438\u0442\u044c \u043f\u043e\u0440\u043e\u0433 \u0432\u0445\u043e\u0436\u0434\u0435\u043d\u0438\u044f \u0432 \u0442\u0435\u043c\u0443 metric learning. \u041c\u044b \u043d\u0435\u043c\u043d\u043e\u0433\u043e \u043f\u0440\u043e\u0439\u0434\u0451\u043c\u0441\u044f \u043f\u043e \u0442\u0435\u043e\u0440\u0438\u0438, \u0440\u0430\u0437\u0431\u0435\u0440\u0451\u043c \u043f\u0440\u0438\u043c\u0435\u0440\u044b \u0441 \u043a\u043e\u0434\u043e\u043c \u0438 \u043f\u043e\u043a\u0430\u0436\u0435\u043c, \u043a\u0430\u043a \u0441 \u043f\u043e\u043c\u043e\u0449\u044c\u044e \u043f\u0440\u043e\u0441\u0442\u044b\u0445 \u044d\u0432\u0440\u0438\u0441\u0442\u0438\u043a \u0434\u043e\u0433\u043d\u0430\u0442\u044c \u0442\u0435\u043a\u0443\u0449\u0438\u0435 SotA \u043c\u043e\u0434\u0435\u043b\u0438. \u041f\u0440\u043e\u0435\u043a\u0442 \u043d\u043e\u0432\u044b\u0439, \u043f\u043e\u044d\u0442\u043e\u043c\u0443 \u043a\u0430\u0436\u0434\u0430\u044f \u0437\u0432\u0435\u0437\u0434\u043e\u0447\u043a\u0430 \u043d\u0430 <a href=\"https:\/\/github.com\/OML-Team\/open-metric-learning\">GitHub<\/a> \u0434\u043b\u044f \u043d\u0430\u0441 \u043d\u0430 \u0432\u0435\u0441 \u0437\u043e\u043b\u043e\u0442\u0430.<\/p>\n<figure class=\"full-width\"><figcaption><\/figcaption><\/figure>\n<h2>\u041e \u0437\u0430\u0434\u0430\u0447\u0435 Metric learning<\/h2>\n<p>\u0417\u0430\u0434\u0430\u0447\u0430 metric learning \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0432 \u0442\u043e\u043c, \u0447\u0442\u043e\u0431\u044b \u043f\u043e\u0441\u0442\u0440\u043e\u0438\u0442\u044c \u0444\u0443\u043d\u043a\u0446\u0438\u044e \u043e\u0442 \u0434\u0432\u0443\u0445 \u043e\u0431\u044a\u0435\u043a\u0442\u043e\u0432, \u043a\u043e\u0442\u043e\u0440\u0430\u044f \u0431\u0443\u0434\u0435\u0442 \u043e\u0446\u0435\u043d\u0438\u0432\u0430\u0442\u044c \u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u0435 (\u043f\u043e\u0445\u043e\u0436\u0435\u0441\u0442\u044c) \u043c\u0435\u0436\u0434\u0443 \u043d\u0438\u043c\u0438. \u0418\u043c\u0435\u044f \u0442\u0430\u043a\u0443\u044e \u0444\u0443\u043d\u043a\u0446\u0438\u044e, \u043c\u044b \u043c\u043e\u0436\u0435\u043c \u043e\u0441\u0443\u0449\u0435\u0441\u0442\u0432\u043b\u044f\u0442\u044c \u043f\u043e\u0438\u0441\u043a \u043f\u043e \u043e\u0431\u044a\u0435\u043a\u0442\u0430\u043c, \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u0438\u0437\u0430\u0446\u0438\u044e, \u0434\u0435\u0442\u0435\u043a\u0442\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435 \u0432\u044b\u0431\u0440\u043e\u0441\u043e\u0432 \u0438 \u0442.\u0434. \u0414\u0430\u043b\u0435\u0435 \u043c\u044b \u0440\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u0440\u0435\u0448\u0435\u043d\u0438\u0435 \u0434\u0430\u043d\u043d\u043e\u0439 \u0437\u0430\u0434\u0430\u0447\u0438 \u0441 \u043f\u043e\u043c\u043e\u0449\u044c\u044e \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u044b\u0445 \u0441\u0435\u0442\u0435\u0439, \u0442\u043e \u0435\u0441\u0442\u044c deep metric learning, \u0433\u0434\u0435 \u0432\u044b\u0434\u0435\u043b\u044f\u044e\u0442\u0441\u044f \u0434\u0432\u0430 \u043e\u0441\u043d\u043e\u0432\u043d\u044b\u0445 \u043f\u043e\u0434\u0445\u043e\u0434\u0430:<\/p>\n<ol>\n<li>\n<p><a href=\"https:\/\/en.wikipedia.org\/wiki\/Siamese_neural_network\">Siamese<\/a>. \u041d\u0435\u0439\u0440\u043e\u043d\u043d\u0430\u044f \u0441\u0435\u0442\u044c \u043f\u0440\u0438\u043d\u0438\u043c\u0430\u0435\u0442 \u043d\u0430 \u0432\u0445\u043e\u0434 \u0434\u0432\u0430 \u043e\u0431\u044a\u0435\u043a\u0442\u0430 \u0438 \u0432\u043e\u0437\u0432\u0440\u0430\u0449\u0430\u0435\u0442 \u0432\u0435\u0440\u043e\u044f\u0442\u043d\u043e\u0441\u0442\u044c, \u0447\u0442\u043e \u043e\u043d\u0438 \u0441\u043e\u0432\u043f\u0430\u0434\u0430\u044e\u0442 \u0438\u043b\u0438 \u043f\u043e\u0445\u043e\u0436\u0438 (\u0432 \u0437\u0430\u0432\u0438\u0441\u0438\u043c\u043e\u0441\u0442\u0438 \u043e\u0442 \u043f\u043e\u0441\u0442\u0430\u043d\u043e\u0432\u043a\u0438 \u0437\u0430\u0434\u0430\u0447\u0438). \u0414\u0430\u043d\u043d\u0443\u044e \u0432\u0435\u0440\u043e\u044f\u0442\u043d\u043e\u0441\u0442\u044c \u043c\u043e\u0436\u043d\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u043a\u0430\u043a \u043c\u0435\u0440\u0443 \u043f\u043e\u0445\u043e\u0436\u0435\u0441\u0442\u0438 \u0438\u043b\u0438 \u00ab\u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u0435\u00bb.<\/p>\n<\/li>\n<li>\n<p><a href=\"https:\/\/en.wikipedia.org\/wiki\/Feature_learning\">Representation learning.<\/a> \u041d\u0435\u0439\u0440\u043e\u043d\u043d\u0430\u044f \u0441\u0435\u0441\u0442\u044c \u043f\u0440\u0438\u043d\u0438\u043c\u0430\u0435\u0442 \u043d\u0430 \u0432\u0445\u043e\u0434 \u043e\u0434\u0438\u043d \u043e\u0431\u044a\u0435\u043a\u0442 \u0438 \u0432\u043e\u0437\u0432\u0440\u0430\u0449\u0430\u0435\u0442 \u0432\u0435\u043a\u0442\u043e\u0440, \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u044f\u044e\u0449\u0438\u0439 \u044d\u0442\u043e\u0442 \u043e\u0431\u044a\u0435\u043a\u0442 \u0432 \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u043e\u043c \u0432\u0435\u043a\u0442\u043e\u0440\u043d\u043e\u043c \u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u0441\u0442\u0432\u0435. \u0414\u0430\u043b\u0435\u0435 \u043c\u0435\u0436\u0434\u0443 \u0432\u0435\u043a\u0442\u043e\u0440\u0430\u043c\u0438 \u0432\u044b\u0447\u0438\u0441\u043b\u044f\u0435\u0442\u0441\u044f \u043a\u043b\u0430\u0441\u0441\u0438\u0447\u0435\u0441\u043a\u043e\u0435 \u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u0435, \u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u0435\u0432\u043a\u043b\u0438\u0434\u043e\u0432\u043e.<\/p>\n<\/li>\n<\/ol>\n<p>\u0414\u043e\u043f\u0443\u0441\u0442\u0438\u043c, \u043d\u0430\u043c \u043d\u0443\u0436\u043d\u043e \u043e\u0446\u0435\u043d\u0438\u0442\u044c \u0432\u0441\u0435 \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u044b\u0435 \u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u044f \u043c\u0435\u0436\u0434\u0443\u043e\u0431\u044a\u0435\u043a\u0442\u0430\u043c\u0438. \u0414\u043b\u044f \u043f\u0435\u0440\u0432\u043e\u0433\u043e \u043f\u043e\u0434\u0445\u043e\u0434\u0430 \u0442\u0440\u0435\u0431\u0443\u0435\u0442\u0441\u044f \u0438\u043d\u0444\u0435\u0440\u0435\u043d\u0441\u043e\u0432 \u043c\u043e\u0434\u0435\u043b\u0438, \u0430 \u0434\u043b\u044f \u0432\u0442\u043e\u0440\u043e\u0433\u043e \u0438\u043d\u0444\u0435\u0440\u0435\u043d\u0441\u043e\u0432 \u0438 \u0440\u0430\u0441\u0447\u00eb\u0442\u043e\u0432 \u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u0439. \u041d\u0430 \u043f\u0440\u0430\u043a\u0442\u0438\u043a\u0435 \u0447\u0430\u0449\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u0442\u0441\u044f \u0432\u0442\u043e\u0440\u043e\u0439 \u043f\u043e\u0434\u0445\u043e\u0434, \u0442\u0430\u043a \u043a\u0430\u043a \u043f\u043e\u0434\u0441\u0447\u0435\u0442 \u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u0439 \u043c\u0435\u0436\u0434\u0443 \u0432\u0435\u043a\u0442\u043e\u0440\u0430\u043c\u0438 \u043d\u0430\u043c\u043d\u043e\u0433\u043e \u0431\u044b\u0441\u0442\u0440\u0435\u0435, \u0447\u0435\u043c \u0438\u043d\u0444\u0435\u0440\u0435\u043d\u0441. \u0414\u0430\u043b\u0435\u0435 \u043c\u044b \u0431\u0443\u0434\u0435\u043c \u0440\u0430\u0437\u0431\u0438\u0440\u0430\u0442\u044c \u0442\u043e\u043b\u044c\u043a\u043e \u044d\u0442\u043e\u0442 \u043f\u043e\u0434\u0445\u043e\u0434 \u0438 \u0432\u043e\u0441\u043f\u0440\u0438\u043d\u0438\u043c\u0430\u0442\u044c \u0435\u0433\u043e \u043a\u0430\u043a \u0441\u0438\u043d\u043e\u043d\u0438\u043c \u043a metric learning.<\/p>\n<p>\u0412\u043e\u0442 \u0442\u0430\u043a \u0432\u044b\u0433\u043b\u044f\u0434\u0438\u0442 \u0432\u0435\u043a\u0442\u043e\u0440\u043d\u043e\u0435 \u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u0441\u0442\u0432\u043e \u043c\u043e\u0434\u0435\u043b\u0438, \u043e\u0431\u0443\u0447\u0435\u043d\u043d\u043e\u0439 \u043d\u0430 \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u0435 <a href=\"https:\/\/www.kaggle.com\/datasets\/zalando-research\/fashionmnist\">Fashion MNIST<\/a>:<\/p>\n<figure class=\"full-width\"><figcaption>\u0421\u043f\u0430\u0441\u0438\u0431\u043e zalandoresearch \u0437\u0430 \u043f\u0440\u0435\u043a\u0440\u0430\u0441\u043d\u0443\u044e \u0438\u043b\u043b\u044e\u0441\u0442\u0440\u0430\u0446\u0438\u044e! \u0414\u043b\u044f \u043a\u043e\u0440\u0440\u0435\u043a\u0442\u043d\u043e\u0433\u043e \u043e\u0442\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f GIF \u0430\u043d\u0438\u043c\u0430\u0446\u0438\u0438, \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e, \u043f\u0440\u0438\u0434\u0451\u0442\u0441\u044f \u043e\u0431\u043d\u043e\u0432\u0438\u0442\u044c \u0441\u0442\u0440\u0430\u043d\u0438\u0447\u043a\u0443.<\/figcaption><\/figure>\n<h4>\u0412 \u0447\u0451\u043c \u043e\u0442\u043b\u0438\u0447\u0438\u0435 \u043e\u0442 \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438?<\/h4>\n<p>\u0417\u0430\u0434\u0430\u0447\u0438 deep metric learning \u0438 \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438 \u043c\u043e\u0433\u0443\u0442 \u043f\u0435\u0440\u0435\u0442\u0435\u043a\u0430\u0442\u044c \u0434\u0440\u0443\u0433 \u0432 \u0434\u0440\u0443\u0433\u0430, \u0447\u0442\u043e \u0434\u0435\u043b\u0430\u0435\u0442 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 \u0442\u0435\u0440\u043c\u0438\u043d\u043e\u043b\u043e\u0433\u0438\u0438 \u0437\u0430\u043f\u0443\u0442\u0430\u043d\u043d\u044b\u043c. \u0421 \u043e\u0434\u043d\u043e\u0439 \u0441\u0442\u043e\u0440\u043e\u043d\u044b, \u043c\u043e\u0436\u043d\u043e \u043d\u0430\u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0442\u043e\u0440, \u0430 \u0437\u0430\u0442\u0435\u043c \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u0432\u044b\u0445\u043e\u0434\u044b \u0441 \u0435\u0433\u043e \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0435\u0433\u043e \u0438\u043b\u0438 \u043f\u0440\u0435\u0434\u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0435\u0433\u043e \u0441\u043b\u043e\u044f \u043a\u0430\u043a \u0432\u0435\u043a\u0442\u043e\u0440\u0430, \u043f\u043e \u043a\u043e\u0442\u043e\u0440\u044b\u043c \u043e\u0446\u0435\u043d\u0438\u0432\u0430\u0435\u0442\u0441\u044f \u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u0435. \u0421 \u0434\u0440\u0443\u0433\u043e\u0439 \u0441\u0442\u043e\u0440\u043e\u043d\u044b, \u043c\u043e\u0436\u043d\u043e \u043e\u0431\u0443\u0447\u0438\u0442\u044c \u043c\u043e\u0434\u0435\u043b\u044c \u0441 \u043d\u0435 \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u043e\u043d\u043d\u043e\u0439 \u0444\u0443\u043d\u043a\u0446\u0438\u0435\u0439 \u043f\u043e\u0442\u0435\u0440\u044c (\u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, <a href=\"https:\/\/en.wikipedia.org\/wiki\/Triplet_loss\">triplet loss<\/a>, \u043e \u043d\u0451\u043c \u043f\u043e\u0437\u0436\u0435), \u043d\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u043d\u044b\u0435 \u0432\u0435\u043a\u0442\u043e\u0440\u0430 \u0434\u043b\u044f \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438, \u043e\u0441\u0443\u0449\u0435\u0441\u0442\u0432\u043b\u044f\u044f \u043f\u043e\u0438\u0441\u043a \u043f\u043e \u0431\u043b\u0438\u0436\u0430\u0439\u0448\u0438\u043c \u0441\u043e\u0441\u0435\u0434\u044f\u043c \u0438 \u0431\u0435\u0440\u044f \u043c\u0435\u0442\u043a\u0438 \u0438\u0445 \u043a\u043b\u0430\u0441\u0441\u043e\u0432. \u0412\u0434\u043e\u0431\u0430\u0432\u043e\u043a, \u0432 \u043e\u0431\u0435\u0438\u0445 \u0437\u0430\u0434\u0430\u0447\u0430\u0445 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044e\u0442\u0441\u044f \u043e\u0434\u043d\u0438 \u0438 \u0442\u0435 \u0436\u0435 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u044b \u0441\u0435\u0442\u0435\u0439.<\/p>\n<p>\u0415\u0441\u043b\u0438 \u0432\u0441\u0451-\u0442\u0430\u043a\u0438 \u0432\u044b\u0434\u0435\u043b\u0438\u0442\u044c \u0445\u0430\u0440\u0430\u043a\u0442\u0435\u0440\u043d\u043e\u0435 \u043e\u0442\u043b\u0438\u0447\u0438\u0435, \u0442\u043e \u044f \u0431\u044b \u0441\u043a\u0430\u0437\u0430\u043b, \u0447\u0442\u043e <em>\u0432 \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438 \u043a\u043b\u0430\u0441\u0441\u044b \u043d\u0430 train \u0438 test \u0432\u044b\u0431\u043e\u0440\u043a\u0430\u0445 \u0441\u043e\u0432\u043f\u0430\u0434\u0430\u044e\u0442, \u0430 \u0432 metric learning \u2014 \u043d\u0435 \u043e\u0431\u044f\u0437\u0430\u0442\u0435\u043b\u044c\u043d\u043e. \u041a\u0440\u043e\u043c\u0435 \u0442\u043e\u0433\u043e, metric learning \u043d\u0435 \u0432\u0441\u0435\u0433\u0434\u0430 \u0442\u0440\u0435\u0431\u0443\u0435\u0442 \u044f\u0432\u043d\u043e\u0439 \u0440\u0430\u0437\u043c\u0435\u0442\u043a\u0438 \u043d\u0430 \u043a\u043b\u0430\u0441\u0441\u044b. <\/em>\u041d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u043c\u043e\u0436\u0435\u0442 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c\u0441\u044f \u0440\u0430\u0437\u043c\u0435\u0442\u043a\u0430 \u0432\u0438\u0434\u0430 \u2014 \u043f\u0430\u0440\u0430 \u043e\u0431\u044a\u0435\u043a\u0442\u043e\u0432 \u0438 \u0438\u043d\u0434\u0438\u043a\u0430\u0442\u043e\u0440 \u043f\u043e\u0445\u043e\u0436\u0435\u0441\u0442\u0438 \u043c\u0435\u0436\u0434\u0443 \u043d\u0438\u043c\u0438.<\/p>\n<h4>\u0415\u0441\u0442\u044c \u043b\u0438 \u0431\u0435\u043d\u0447\u043c\u0430\u0440\u043a\u0438?<\/h4>\n<p>\u0414\u0430, \u0434\u043b\u044f metric learning, \u043a\u0430\u043a \u0438 \u0434\u043b\u044f \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438, \u0441\u0443\u0449\u0435\u0441\u0442\u0432\u0443\u0435\u0442 \u043d\u0430\u0431\u043e\u0440 \u043f\u043e\u043f\u0443\u043b\u044f\u0440\u043d\u044b\u0445 \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u043e\u0432, \u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, <a href=\"https:\/\/paperswithcode.com\/task\/metric-learning\">\u043a\u0430\u0440\u0442\u0438\u043d\u043e\u0447\u043d\u044b\u0445<\/a>, \u043d\u0430 \u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0438\u0441\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u0438 \u0441\u0440\u0430\u0432\u043d\u0438\u0432\u0430\u044e\u0442 \u0441\u0432\u043e\u0438 \u043d\u0430\u0440\u0430\u0431\u043e\u0442\u043a\u0438.<\/p>\n<h2>\u041a\u0430\u043a \u043f\u0440\u043e\u0438\u0441\u0445\u043e\u0434\u0438\u0442 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u0438 \u0432\u0430\u043b\u0438\u0434\u0430\u0446\u0438\u044f \u043c\u043e\u0434\u0435\u043b\u0438<\/h2>\n<p>\u0414\u043b\u044f \u043f\u0440\u0438\u043c\u0435\u0440\u0430 \u0440\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u0434\u0430\u0442\u0430\u0441\u0435\u0442 <a href=\"https:\/\/paperswithcode.com\/dataset\/deepfashion\">DeepFashion<\/a>. \u041e\u043d \u0441\u043e\u0434\u0435\u0440\u0436\u0438\u0442 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f 17 \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0439 \u043e\u0434\u0435\u0436\u0434\u044b (\u043a\u0443\u0440\u0442\u043a\u0438, \u0434\u0436\u0438\u043d\u0441\u044b, \u0448\u043e\u0440\u0442\u044b \u0438 \u0442.\u0434.) \u0438 ~8 \u0442\u044b\u0441\u044f\u0447 \u043a\u043b\u0430\u0441\u0441\u043e\u0432 (\u0430\u0440\u0442\u0438\u043a\u0443\u043b\u043e\u0432 \u043a\u043e\u043d\u043a\u0440\u0435\u0442\u043d\u044b\u0445 \u0442\u043e\u0432\u0430\u0440\u043e\u0432). \u041c\u0435\u0434\u0438\u0430\u043d\u043d\u044b\u0439 \u0440\u0430\u0437\u043c\u0435\u0440 \u043a\u043b\u0430\u0441\u0441\u0430 \u2014 5 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439. <\/p>\n<p>\u041a\u043b\u0430\u0441\u0441\u044b \u0440\u0430\u0437\u0434\u0435\u043b\u0435\u043d\u044b \u043d\u0430 \u0434\u0432\u0430 \u043d\u0435\u043f\u0435\u0440\u0435\u0441\u0435\u043a\u0430\u044e\u0449\u0438\u0445\u0441\u044f \u043c\u043d\u043e\u0436\u0435\u0441\u0442\u0432\u0430 \u0434\u043b\u044f \u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u043a\u0438 \u0438 \u0432\u0430\u043b\u0438\u0434\u0430\u0446\u0438\u0438. \u041e\u0431\u0440\u0430\u0442\u0438\u0442\u0435 \u0432\u043d\u0438\u043c\u0430\u043d\u0438\u0435, \u0440\u0430\u0437\u0434\u0435\u043b\u0435\u043d\u0438\u0435 \u0441\u0434\u0435\u043b\u0430\u043d\u043e \u0438\u043c\u0435\u043d\u043d\u043e \u043d\u0430 \u0443\u0440\u043e\u0432\u043d\u0435 <em>\u043a\u043b\u0430\u0441\u0441\u043e\u0432<\/em>. \u0412 \u0441\u0432\u043e\u044e \u043e\u0447\u0435\u0440\u0435\u0434\u044c, \u0432\u0430\u043b\u0438\u0434\u0430\u0446\u0438\u043e\u043d\u043d\u0443\u044e \u0447\u0430\u0441\u0442\u044c \u0434\u0435\u043b\u044f\u0442 \u043d\u0430 \u0437\u0430\u043f\u0440\u043e\u0441\u044b (query) \u0438 \u043f\u043e\u0438\u0441\u043a\u043e\u0432\u044b\u0439 \u0438\u043d\u0434\u0435\u043a\u0441 (gallery), \u0447\u0442\u043e\u0431\u044b \u0432 \u0434\u0430\u043b\u044c\u043d\u0435\u0439\u0448\u0435\u043c \u0441\u044b\u043c\u0438\u0442\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u043f\u043e\u0438\u0441\u043a \u0438 \u043e\u0446\u0435\u043d\u0438\u0442\u044c \u0435\u0433\u043e \u0442\u043e\u0447\u043d\u043e\u0441\u0442\u044c. \u041e\u0431\u0440\u0430\u0442\u0438\u0442\u0435 \u0432\u043d\u0438\u043c\u0430\u043d\u0438\u0435, \u0447\u0442\u043e \u0437\u0434\u0435\u0441\u044c \u0440\u0430\u0437\u0434\u0435\u043b\u0435\u043d\u0438\u0435 \u0443\u0436\u0435 \u043d\u0430 \u0443\u0440\u043e\u0432\u043d\u0435 <em>\u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439<\/em>: \u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u0434\u043b\u044f \u043a\u0443\u0440\u0442\u043a\u0438 \u0441 \u0430\u0440\u0442\u0438\u043a\u0443\u043b\u043e\u043c 001 \u0435\u0441\u0442\u044c 7 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439, 3 \u0438\u0437 \u043d\u0438\u0445 \u043f\u043e\u043f\u0430\u0434\u0430\u044e\u0442 \u0432 \u0437\u0430\u043f\u0440\u043e\u0441\u044b, \u0430 \u043e\u0441\u0442\u0430\u043b\u044c\u043d\u044b\u0435 4 \u2014 \u0432 \u0438\u043d\u0434\u0435\u043a\u0441. \u041c\u044b \u0441\u0442\u0440\u0435\u043c\u0438\u043c\u0441\u044f \u043e\u0431\u0443\u0447\u0438\u0442\u044c \u043c\u043e\u0434\u0435\u043b\u044c \u0442\u0430\u043a, \u0447\u0442\u043e\u0431\u044b \u0434\u043b\u044f \u0432\u0435\u043a\u0442\u043e\u0440\u043e\u0432, \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u044f\u044e\u0449\u0438\u0445 \u044d\u0442\u0438 3 \u0437\u0430\u043f\u0440\u043e\u0441\u0430, \u0431\u043b\u0438\u0436\u0430\u0439\u0448\u0438\u043c\u0438 \u043e\u043a\u0430\u0437\u0430\u043b\u0438\u0441\u044c \u0434\u0430\u043d\u043d\u044b\u0435 4 \u0432\u0435\u043a\u0442\u043e\u0440\u0430 \u0438\u0437 \u0438\u043d\u0434\u0435\u043a\u0441\u0430.<\/p>\n<p>\u0420\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u043a\u0430\u043a \u043f\u0440\u043e\u0438\u0441\u0445\u043e\u0434\u0438\u0442 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u043c\u043e\u0434\u0435\u043b\u0438 \u0441 \u043a\u043b\u0430\u0441\u0441\u0438\u0447\u0435\u0441\u043a\u0438\u043c <a href=\"https:\/\/en.wikipedia.org\/wiki\/Triplet_loss\">triplet loss<\/a>.<\/p>\n<details class=\"spoiler\">\n<summary>\u041a\u043e\u0440\u043e\u0442\u043a\u043e \u043f\u0440\u043e triplet loss<\/summary>\n<div class=\"spoiler__content\">\n<p>\u0433\u0434\u0435 <br \/>\u2014 \u0442\u0440\u0438\u043f\u043b\u0435\u0442, \u0432 \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u0432\u0445\u043e\u0434\u044f\u0442 \u0442\u0440\u0438 \u043e\u0431\u044a\u0435\u043a\u0442\u0430: \u044f\u043a\u043e\u0440\u043d\u044b\u0439, \u043f\u043e\u0437\u0438\u0442\u0438\u0432\u043d\u044b\u0439 (\u0438\u0437 \u0442\u043e\u0433\u043e \u0436\u0435 \u043a\u043b\u0430\u0441\u0441\u0430, \u0447\u0442\u043e \u0438 \u044f\u043a\u043e\u0440\u043d\u044b\u0439), \u043d\u0435\u0433\u0430\u0442\u0438\u0432\u043d\u044b\u0439 (\u0438\u0437 \u043a\u043b\u0430\u0441\u0441\u0430, \u043e\u0442\u043b\u0438\u0447\u0430\u044e\u0449\u0435\u0433\u043e\u0441\u044f \u043e\u0442 \u044f\u043a\u043e\u0440\u043d\u043e\u0433\u043e);<br \/> \u2014 \u043f\u043e\u0437\u0438\u0442\u0438\u0432\u043d\u043e\u0435 \u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u0435, \u043a\u043e\u0442\u043e\u0440\u043e\u0435 \u043c\u044b \u0445\u043e\u0442\u0438\u043c \u0443\u043c\u0435\u043d\u044c\u0448\u0430\u0442\u044c, \u2014 \u043d\u0435\u0433\u0430\u0442\u0438\u0432\u043d\u043e\u0435 \u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u0435, \u043a\u043e\u0442\u043e\u0440\u043e\u0435 \u043c\u044b \u0445\u043e\u0442\u0438\u043c \u0443\u0432\u0435\u043b\u0438\u0447\u0438\u0432\u0430\u0442\u044c; <br \/>\u2014 \u0437\u0430\u0437\u043e\u0440 (margin).<\/p>\n<p>\u0415\u0441\u0442\u044c \u0438 \u0434\u0440\u0443\u0433\u0438\u0435 \u0432\u0430\u0440\u0438\u0430\u043d\u0442\u044b triplet loss&#8217;a, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0438\u043d\u043e\u0433\u0434\u0430 \u043f\u043e\u0437\u0432\u043e\u043b\u044f\u044e\u0442 \u0434\u043e\u0431\u0438\u0442\u044c\u0441\u044f \u0431\u043e\u043b\u044c\u0448\u0435\u0439 \u0441\u0442\u0430\u0431\u0438\u043b\u044c\u043d\u043e\u0441\u0442\u0438 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f:<\/p>\n<p>\u041f\u0440\u0438\u043c\u0435\u0440 \u0442\u0440\u0438\u043f\u043b\u0435\u0442\u0430: \u043d\u0430 \u043f\u0435\u0440\u0432\u044b\u0445 \u0434\u0432\u0443\u0445 \u0444\u043e\u0442\u043e\u0433\u0440\u0430\u0444\u0438\u044f\u0445 \u043e\u0434\u0438\u043d\u0430\u043a\u043e\u0432\u044b\u0435 \u0441\u0430\u043b\u0430\u0442\u043e\u0432\u044b\u0435 \u0431\u043b\u0443\u0437\u043a\u0438, \u043d\u0430 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0435\u0439 \u2014 \u043a\u0440\u0430\u0441\u043d\u0430\u044f \u043c\u0430\u0439\u043a\u0430.<\/p>\n<figure class=\"full-width\"><figcaption>Anchor, Positive, Negative<\/figcaption><\/figure>\n<\/p>\n<\/div>\n<\/details>\n<h4>\u0422\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u043a\u0430<\/h4>\n<ol>\n<li>\n<p><strong>\u0421\u044d\u043c\u043f\u043b\u0435\u0440<\/strong> \u0441\u043e\u0437\u0434\u0430\u0435\u0442 \u0431\u0430\u0442\u0447 \u0441 \u0443\u0441\u043b\u043e\u0432\u0438\u0435\u043c, \u0447\u0442\u043e \u0432 \u043d\u0435\u043c \u043d\u0430\u0439\u0434\u0443\u0442\u0441\u044f \u0445\u043e\u0442\u044f \u0431\u044b 2 \u043a\u043b\u0430\u0441\u0441\u0430 \u0438 2 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f \u043d\u0430 \u043a\u0430\u0436\u0434\u044b\u0439 (\u0438\u043d\u0430\u0447\u0435 \u043c\u044b \u043d\u0435 \u0441\u043c\u043e\u0436\u0435\u043c \u0441\u043e\u0441\u0442\u0430\u0432\u0438\u0442\u044c \u0442\u0440\u0438\u043f\u043b\u0435\u0442\u044b). \u0427\u0430\u0441\u0442\u043e \u0431\u0430\u0442\u0447\u0438 \u0441\u0431\u0430\u043b\u0430\u043d\u0441\u0438\u0440\u043e\u0432\u0430\u043d\u044b \u043f\u043e \u043a\u043b\u0430\u0441\u0441\u0430\u043c.<\/p>\n<\/li>\n<li>\n<p><strong>\u0411\u0430\u0442\u0447<\/strong> \u043f\u043e\u0434\u0430\u0451\u0442\u0441\u044f \u0432 \u043c\u043e\u0434\u0435\u043b\u044c \u0438 \u043f\u0440\u0435\u0432\u0440\u0430\u0449\u0430\u0435\u0442\u0441\u044f \u0432 \u043d\u0430\u0431\u043e\u0440 \u0432\u0435\u043a\u0442\u043e\u0440\u043e\u0432.<\/p>\n<\/li>\n<li>\n<p><strong>\u041c\u0430\u0439\u043d\u0435\u0440<\/strong> \u0441\u043e\u0431\u0438\u0440\u0430\u0435\u0442 \u0442\u0440\u0438\u043f\u043b\u0435\u0442\u044b, \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044f \u0432\u0435\u043a\u0442\u043e\u0440\u0430 \u0438\u0437 \u043f\u0440\u0435\u0434\u044b\u0434\u0443\u0449\u0435\u0433\u043e \u043f\u0443\u043d\u043a\u0442\u0430. \u041c\u043e\u0436\u043d\u043e \u0441\u043e\u0441\u0442\u0430\u0432\u0438\u0442\u044c \u0432\u0441\u0435 \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u044b\u0435 \u0442\u0440\u0438\u043f\u043b\u0435\u0442\u044b \u0438\u043b\u0438 \u0442\u043e\u043b\u044c\u043a\u043e \u0441\u0430\u043c\u044b\u0435 \u0441\u043b\u043e\u0436\u043d\u044b\u0435 (\u043a\u043e\u0433\u0434\u0430 \u043f\u043e\u0437\u0438\u0442\u0438\u0432\u043d\u043e\u0435 \u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u0435 \u043c\u0430\u043a\u0441\u0438\u043c\u0430\u043b\u044c\u043d\u043e, \u0430 \u043d\u0435\u0433\u0430\u0442\u0438\u0432\u043d\u043e\u0435 \u043c\u0438\u043d\u0438\u043c\u0430\u043b\u044c\u043d\u043e); \u043c\u043e\u0436\u043d\u043e \u043f\u043b\u0430\u0432\u043d\u043e \u0443\u043f\u0440\u0430\u0432\u043b\u044f\u0442\u044c \u0441\u043b\u043e\u0436\u043d\u043e\u0441\u0442\u044c\u044e \u0442\u0440\u0438\u043f\u043b\u0435\u0442\u043e\u0432; \u0442\u0430\u043a \u0436\u0435 \u0435\u0441\u0442\u044c \u0442\u0435\u0445\u043d\u0438\u043a\u0438 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u044f \u0432\u0435\u043a\u0442\u043e\u0440\u043e\u0432 \u0438\u0437 \u0431\u0430\u043d\u043a\u0430 \u043f\u0430\u043c\u044f\u0442\u0438, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u044f\u0435\u0442 \u0441\u043e\u0431\u043e\u0439 \u043e\u0447\u0435\u0440\u0435\u0434\u044c, \u043e\u0431\u043d\u043e\u0432\u043b\u044f\u044e\u0449\u0443\u044e\u0441\u044f \u043f\u043e\u0441\u043b\u0435 \u043e\u0447\u0435\u0440\u0435\u0434\u043d\u043e\u0433\u043e \u0431\u0430\u0442\u0447\u0430. <\/p>\n<\/li>\n<li>\n<p><strong>\u041e\u043f\u0442\u0438\u043c\u0438\u0437\u0430\u0442\u043e\u0440 <\/strong>\u0434\u0435\u043b\u0430\u0435\u0442 \u0448\u0430\u0433 \u043f\u043e<strong> <\/strong>\u0433\u0440\u0430\u0434\u0438\u0435\u043d\u0442\u0443 triplet loss&#8217;\u0430, \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u043d\u043e\u0433\u043e \u0434\u043b\u044f \u0442\u0440\u0438\u043f\u043b\u0435\u0442\u043e\u0432 \u0441 \u043f\u0440\u0435\u0434\u044b\u0434\u0443\u0449\u0435\u0433\u043e \u0448\u0430\u0433\u0430.<\/p>\n<\/li>\n<\/ol>\n<p>\u0421\u0445\u0435\u043c\u0430 \u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u043a\u0438 \u043c\u043e\u0436\u0435\u0442 \u043c\u0435\u043d\u044f\u0442\u044c\u0441\u044f, \u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440:<\/p>\n<ul>\n<li>\n<p>\u0415\u0441\u043b\u0438 \u0432\u044b \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442\u0435 \u0441 \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u043e\u043d\u043d\u043e\u0439 \u0444\u0443\u043d\u043a\u0446\u0438\u0435\u0439 \u043f\u043e\u0442\u0435\u0440\u044c (\u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, <a href=\"https:\/\/scikit-learn.org\/stable\/modules\/generated\/sklearn.metrics.log_loss.html\">Log loss<\/a> \u0438\u043b\u0438 <a href=\"https:\/\/arxiv.org\/abs\/1801.07698\">ArcFace<\/a>), \u0442\u043e \u043c\u0430\u0439\u043d\u0435\u0440 \u043d\u0435 \u043d\u0443\u0436e\u043d.<\/p>\n<\/li>\n<li>\n<p>\u0415\u0441\u043b\u0438 \u0443 \u0432\u0430\u0441 \u043d\u0435\u0442 \u0440\u0430\u0437\u043c\u0435\u0442\u043a\u0438 \u043d\u0430 \u043a\u043b\u0430\u0441\u0441\u044b, \u0430 \u0432\u043c\u0435\u0441\u0442\u043e \u044d\u0442\u043e\u0433\u043e \u0435\u0441\u0442\u044c \u0440\u0430\u0437\u043c\u0435\u0442\u043a\u0430 \u043d\u0430 \u0443\u0440\u043e\u0432\u043d\u0435 \u043f\u0430\u0440 \u0438\u043b\u0438 \u0442\u0440\u0438\u043f\u043b\u0435\u0442\u043e\u0432, \u0442\u043e \u043e\u043d\u0438 \u0441\u0440\u0430\u0437\u0443 \u043f\u0435\u0440\u0435\u0434\u0430\u044e\u0442\u0441\u044f \u0432 \u0444\u0443\u043d\u043a\u0446\u0438\u044e \u043f\u043e\u0442\u0435\u0440\u044c, \u0431\u0435\u0437 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u044f \u043c\u0430\u0439\u043d\u0435\u0440\u0430.<\/p>\n<\/li>\n<li>\n<p>\u0415\u0441\u043b\u0438 \u0432\u044b \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442\u0435 \u0441 <a href=\"https:\/\/arxiv.org\/pdf\/1704.01719.pdf\">quadruplet loss<\/a>, \u0442\u043e \u043c\u0430\u0439\u043d\u0435\u0440 \u0441\u043e\u0431\u0438\u0440\u0430\u0435\u0442 \u0447\u0435\u0442\u0432\u0435\u0440\u043a\u0438, \u0435\u0441\u043b\u0438 \u0441 <a href=\"https:\/\/towardsdatascience.com\/contrastive-loss-explaned-159f2d4a87ec\">contrastive loss<\/a>, \u0442\u043e \u043f\u0430\u0440\u044b.<\/p>\n<\/li>\n<\/ul>\n<h4>\u0412\u0430\u043b\u0438\u0434\u0430\u0446\u0438\u044f<\/h4>\n<ol>\n<li>\n<p><strong>\u0414\u0435\u043b\u0430\u0435\u043c \u0438\u043d\u0444\u0435\u0440\u0435\u043d\u0441<\/strong> \u043d\u0430 \u0432\u0441\u0435\u043c \u0432\u0430\u043b\u0438\u0434\u0430\u0446\u0438\u043e\u043d\u043d\u043e\u043c \u043d\u0430\u0431\u043e\u0440\u0435, \u043d\u0430\u043a\u0430\u043f\u043b\u0438\u0432\u0430\u0435\u043c \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u043d\u044b\u0435 \u0432\u0435\u043a\u0442\u043e\u0440\u0430.<\/p>\n<\/li>\n<li>\n<p><strong>\u0421\u0447\u0438\u0442\u0430\u0435\u043c \u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u044f<\/strong> \u043c\u0435\u0436\u0434\u0443 \u0432\u0441\u0435\u043c\u0438 \u0437\u0430\u043f\u0440\u043e\u0441\u0430\u043c\u0438 \u0438 \u0432\u0441\u0435\u043c\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f\u043c\u0438 \u0432 \u0438\u043d\u0434\u0435\u043a\u0441\u0435. \u041f\u043e\u043b\u0443\u0447\u0430\u0435\u0442\u0441\u044f \u043c\u0430\u0442\u0440\u0438\u0446\u0430 \u0440\u0430\u0437\u043c\u0435\u0440\u043e\u043c . \u0421\u043e\u0440\u0442\u0438\u0440\u0443\u0435\u043c \u0441\u0442\u0440\u043e\u043a\u0438 \u043c\u0430\u0442\u0440\u0438\u0446\u044b, \u0447\u0442\u043e\u0431\u044b \u0432 \u043d\u0430\u0447\u0430\u043b\u043e \u043f\u043e\u043f\u0430\u043b\u0438 \u044d\u043b\u0435\u043c\u0435\u043d\u0442\u044b \u0438\u043d\u0434\u0435\u043a\u0441\u0430, \u043d\u0430\u0438\u0431\u043e\u043b\u0435\u0435 \u0431\u043b\u0438\u0437\u043a\u0438\u0435 \u043a \u0437\u0430\u043f\u0440\u043e\u0441\u0430\u043c. <\/p>\n<\/li>\n<li>\n<p><strong>\u0412\u044b\u0447\u0438\u0441\u043b\u044f\u0435\u043c \u043c\u0435\u0442\u0440\u0438\u043a\u0438.<\/strong> \u041b\u043e\u0433\u0438\u0447\u043d\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c <a href=\"https:\/\/en.wikipedia.org\/wiki\/Evaluation_measures_(information_retrieval)\">\u043c\u0435\u0442\u0440\u0438\u043a\u0438<\/a> \u0438\u0437 \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u043e\u043d\u043d\u043e\u0433\u043e \u043f\u043e\u0438\u0441\u043a\u0430, \u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440:<\/p>\n<ul>\n<li>\n<p>\u2014 , \u0435\u0441\u043b\u0438 \u0435\u0441\u0442\u044c \u0445\u043e\u0442\u044f \u0431\u044b \u043e\u0434\u0438\u043d \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0439 \u043e\u0442\u0432\u0435\u0442 \u0432 \u043f\u0435\u0440\u0432\u044b\u0445  \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0445, \u0438\u043d\u0430\u0447\u0435 .<\/p>\n<\/li>\n<li>\n<p>\u2014 \u0434\u043e\u043b\u044f \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0445 \u043e\u0442\u0432\u0435\u0442\u043e\u0432 \u0432 \u043f\u0435\u0440\u0432\u044b\u0445  \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0445.<\/p>\n<\/li>\n<li>\n<p>\u2014 \u0430\u043d\u0430\u043b\u043e\u0433 \u043f\u0440\u0435\u0434\u044b\u0434\u0443\u0449\u0435\u0433\u043e, \u043d\u043e \u0443\u0447\u0438\u0442\u044b\u0432\u0430\u044e\u0442\u0441\u044f \u043f\u043e\u0437\u0438\u0446\u0438\u0438 \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0445 \u043e\u0442\u0432\u0435\u0442\u043e\u0432.<\/p>\n<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n<p>\u0420\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u043f\u0440\u0438\u043c\u0435\u0440 \u043d\u0438\u0436\u0435 \u0434\u043b\u044f \u0442\u0440\u0451\u0445 \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432 (\u0432\u044b\u0434\u0435\u043b\u0435\u043d\u044b \u0441\u0438\u043d\u0438\u043c), \u0434\u043b\u044f \u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u043c\u044b \u0432\u0435\u0440\u043d\u0443\u043b\u0438 5 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 \u0432 \u043f\u043e\u0440\u044f\u0434\u043a\u0435 \u0432\u043e\u0437\u0440\u0430\u0441\u0442\u0430\u043d\u0438\u044f \u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u044f \u043c\u0435\u0436\u0434\u0443 \u043d\u0438\u043c\u0438 \u0438 \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u043c; \u0447\u0430\u0441\u0442\u044c \u0438\u0437 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u043e\u0432 \u043f\u043e\u0438\u0441\u043a\u0430 \u0438\u043c\u0435\u044e\u0442 \u0442\u043e\u0442 \u0436\u0435 \u0430\u0440\u0442\u0438\u043a\u0443\u043b, \u0447\u0442\u043e \u0438 \u0437\u0430\u043f\u0440\u043e\u0441 (\u0432\u044b\u0434\u0435\u043b\u0435\u043d\u044b \u0437\u0435\u043b\u0451\u043d\u044b\u043c \u043a\u0430\u043a \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0435 \u043e\u0442\u0432\u0435\u0442\u044b), \u0430 \u0447\u0430\u0441\u0442\u044c \u0438\u0437 \u043d\u0438\u0445 \u0438\u043c\u0435\u044e\u0442 \u0434\u0440\u0443\u0433\u043e\u0439 (\u0432\u044b\u0434\u0435\u043b\u0435\u043d\u044b \u043a\u0440\u0430\u0441\u043d\u044b\u043c \u043a\u0430\u043a \u043e\u0448\u0438\u0431\u043a\u0438). \u0414\u043b\u044f \u0432\u0441\u0435\u0445 \u0442\u0440\u0451\u0445 \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432 . \u0421\u043d\u0435\u043c\u043d\u043e\u0433\u043e \u0441\u043b\u043e\u0436\u043d\u0435\u0435, \u0442\u0430\u043a \u043a\u0430\u043a \u043d\u0430\u043c \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e \u0437\u043d\u0430\u0442\u044c, \u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0432\u0441\u0435\u0433\u043e \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0445 \u043e\u0442\u0432\u0435\u0442\u043e\u0432 \u043c\u043e\u0436\u043d\u043e \u0432\u0435\u0440\u043d\u0443\u0442\u044c \u0434\u043b\u044f \u0437\u0430\u043f\u0440\u043e\u0441\u0430, \u0447\u0442\u043e\u0431\u044b \u043d\u0435 \u0448\u0442\u0440\u0430\u0444\u043e\u0432\u0430\u0442\u044c \u043c\u043e\u0434\u0435\u043b\u044c \u0432 \u0441\u043b\u0443\u0447\u0430\u044f\u0445, \u043a\u043e\u0433\u0434\u0430 \u0434\u0430\u0436\u0435 \u0442\u0435\u043e\u0440\u0435\u0442\u0438\u0447\u0435\u0441\u043a\u0438 \u043d\u0435 \u0438\u0437 \u0447\u0435\u0433\u043e \u0432\u044b\u0431\u0440\u0430\u0442\u044c 5 \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0445 \u043e\u0442\u0432\u0435\u0442\u043e\u0432. \u0414\u043e\u043f\u0443\u0441\u0442\u0438\u043c, \u0434\u043b\u044f \u043f\u0435\u0440\u0432\u043e\u0433\u043e \u0437\u0430\u043f\u0440\u043e\u0441\u0430 \u0441\u0443\u0449\u0435\u0441\u0442\u0432\u0443\u0435\u0442 5 \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0445 \u043e\u0442\u0432\u0435\u0442\u043e\u0432 \u0432 \u043f\u043e\u0438\u0441\u043a\u043e\u0432\u043e\u043c \u0438\u043d\u0434\u0435\u043a\u0441\u0435, \u0434\u043b\u044f \u0432\u0442\u043e\u0440\u043e\u0433\u043e \u2014 3, \u0434\u043b\u044f \u0442\u0440\u0435\u0442\u044c\u0435\u0433\u043e \u2014 4. \u0422\u043e\u0433\u0434\u0430 \u043c\u0435\u0442\u0440\u0438\u043a\u0430 \u0434\u043b\u044f \u043f\u0435\u0440\u0432\u043e\u0433\u043e \u0440\u0430\u0432\u043d\u0430 , \u0434\u043b\u044f \u0432\u0442\u043e\u0440\u043e\u0433\u043e , \u0434\u043b\u044f \u0442\u0440\u0435\u0442\u044c\u0435\u0433\u043e .<\/p>\n<figure class=\"full-width\"><figcaption>\u0417\u0430\u043f\u0440\u043e\u0441\u044b \u2014 \u0441\u0438\u043d\u0438\u0435, \u0440\u0435\u043b\u0435\u0432\u0430\u043d\u0442\u043d\u044b\u0435 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u044b \u043f\u043e\u0438\u0441\u043a\u0430 \u2014 \u0437\u0435\u043b\u0435\u043d\u044b\u0435, \u043e\u0448\u0438\u0431\u043a\u0438 \u2014 \u043a\u0440\u0430\u0441\u043d\u044b\u0435.<\/figcaption><\/figure>\n<h2>\u041e \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0435 OpenMetricLearning<\/h2>\n<p><a href=\"https:\/\/github.com\/OML-Team\/open-metric-learning\">OML<\/a> \u044d\u0442\u043e \u043d\u043e\u0432\u0430\u044f \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430 \u0434\u043b\u044f representation learning, \u043d\u0430\u043f\u0438\u0441\u0430\u043d\u043d\u0430\u044f \u043f\u043e\u0432\u0435\u0440\u0445 <a href=\"https:\/\/github.com\/pytorch\/pytorch\">PyTorch<\/a>. \u0414\u043b\u044f \u0443\u0434\u043e\u0431\u0441\u0442\u0432\u0430 \u043f\u043e\u043d\u0438\u043c\u0430\u043d\u0438\u044f \u043d\u0438\u0436\u0435 \u043f\u0440\u0438\u0432\u0435\u0434\u0435\u043d\u044b \u043f\u0440\u0438\u043c\u0435\u0440\u044b, \u043d\u0430\u043f\u0438\u0441\u0430\u043d\u043d\u044b\u0435 \u043d\u0430 &#171;\u0433\u043e\u043b\u043e\u043c&#187; PyTorch. \u0412\u0435\u0440\u043e\u044f\u0442\u043d\u043e, \u043d\u0430 \u043f\u0440\u0430\u043a\u0442\u0438\u043a\u0435 \u0432\u044b \u0437\u0430\u0445\u043e\u0442\u0438\u0442\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u043f\u0440\u0438\u043c\u0435\u0440\u044b \u0441 <a href=\"https:\/\/github.com\/Lightning-AI\/lightning\">PyTorch Lightning<\/a> \u0438\u043b\u0438 <a href=\"https:\/\/open-metric-learning.readthedocs.io\/en\/latest\/examples\/config.html#get-started-using-config-api\">Config API<\/a> (\u043e \u043d\u0438\u0445 \u0434\u0430\u043b\u044c\u0448\u0435), \u043d\u043e \u0432\u043d\u0443\u0442\u0440\u0438 \u043e\u043d\u0438 \u0443\u0441\u0442\u0440\u043e\u0435\u043d\u044b \u0442\u0430\u043a \u0436\u0435.<\/p>\n<h4>\u041a\u043e\u0434 \u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u043a\u0438<\/h4>\n<pre><code class=\"python\">import torch from tqdm import tqdm  from oml.datasets.base import DatasetWithLabels from oml.losses.triplet import TripletLossWithMiner from oml.miners.inbatch_all_tri import AllTripletsMiner from oml.models.vit.vit import ViTExtractor from oml.samplers.balance import BalanceSampler from oml.utils.download_mock_dataset import download_mock_dataset  # \u0441\u043a\u0430\u0447\u0438\u0432\u0430\u0435\u043c \u043d\u0435\u0431\u043e\u043b\u044c\u0448\u043e\u0439 \u0438\u0433\u0440\u0443\u0448\u0435\u0447\u043d\u044b\u0439 \u0434\u0430\u0442\u0430\u0441\u0435\u0442 dataset_root = \"mock_dataset\/\" df_train, _ = download_mock_dataset(dataset_root)  # \u0441\u043e\u0437\u0434\u0430\u0435\u043c \u043c\u043e\u0434\u0435\u043b\u044c \u043d\u0430 \u043e\u0441\u043d\u043e\u0432\u0435 \u043f\u0440\u0435\u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u043e\u0433\u043e Self-Supervised \u0447\u0435\u043a\u043f\u043e\u0438\u043d\u0442\u0430  model = ViTExtractor(\"vits16_dino\", arch=\"vits16\", normalise_features=False).train() optimizer = torch.optim.SGD(model.parameters(), lr=1e-6)   train_dataset = DatasetWithLabels(df_train, dataset_root=dataset_root) # \u0441\u043e\u0437\u0434\u0430\u0435\u043c criterion, \u0432\u043a\u043b\u044e\u0447\u0430\u044e\u0449\u0438\u0439 \u0432 \u0441\u0435\u0431\u044f \u0438 \u0444\u0443\u043d\u0446\u0438\u044e \u043f\u043e\u0442\u0435\u0440\u044c, \u0438 \u043c\u0430\u0439\u043d\u0435\u0440 criterion = TripletLossWithMiner(margin=0.1, miner=AllTripletsMiner()) # \u0441\u043e\u0437\u0434\u0430\u0435\u043c \u0441\u044d\u043c\u043f\u043b\u0435\u0440, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u0432 \u043a\u0430\u0436\u0434\u044b\u0439 \u043a\u043b\u0430\u0441\u0441 \u0431\u0443\u0434\u0435\u0442 \u043a\u043b\u0430\u0441\u0442\u044c 2 \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u0438\u0442\u0435\u043b\u044f 2-\u0445 \u043a\u043b\u0430\u0441\u0441\u043e\u0432 sampler = BalanceSampler(train_dataset.get_labels(), n_labels=2, n_instances=2) train_loader = torch.utils.data.DataLoader(train_dataset, batch_sampler=sampler)  # \u0442.\u043a. \u043b\u043e\u0433\u0438\u043a\u0430, \u0441\u043f\u0435\u0446\u0438\u0444\u0438\u0447\u0435\u0441\u043a\u0430\u044f \u0434\u043b\u044f metric learning \u0441\u043a\u0440\u044b\u0442\u0430 \u0432 criterion, \u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u043a\u0430 # \u043d\u0438\u0447\u0435\u043c \u043d\u0435 \u043e\u0442\u043b\u0438\u0447\u0430\u0435\u0442\u0441\u044f \u043e\u0442 \u043e\u0431\u044b\u0447\u043d\u043e\u0439 for batch in tqdm(train_loader):     embeddings = model(batch[\"input_tensors\"])     loss = criterion(embeddings, batch[\"labels\"])     loss.backward()     optimizer.step()     optimizer.zero_grad()     <\/code><\/pre>\n<h4>\u041a\u043e\u0434 \u0432\u0430\u043b\u0438\u0434\u0430\u0446\u0438\u0438<\/h4>\n<pre><code class=\"python\">import torch from tqdm import tqdm  from oml.datasets.base import DatasetQueryGallery from oml.metrics.embeddings import EmbeddingMetrics from oml.models.vit.vit import ViTExtractor from oml.utils.download_mock_dataset import download_mock_dataset  # \u0441\u043a\u0430\u0447\u0438\u0432\u0430\u0435\u043c \u043d\u0435\u0431\u043e\u043b\u044c\u0448\u043e\u0439 \u0438\u0433\u0440\u0443\u0448\u0435\u0447\u043d\u044b\u0439 \u0434\u0430\u0442\u0430\u0441\u0435\u0442 dataset_root =  \"mock_dataset\/\" _, df_val = download_mock_dataset(dataset_root)  # \u0441\u043e\u0437\u0434\u0430\u0435\u043c \u043c\u043e\u0434\u0435\u043b\u044c \u043d\u0430 \u043e\u0441\u043d\u043e\u0432\u0435 \u043f\u0440\u0435\u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u043e\u0433\u043e Self-Supervised \u0447\u0435\u043a\u043f\u043e\u0438\u043d\u0442\u0430  model = ViTExtractor(\"vits16_dino\", arch=\"vits16\", normalise_features=False).eval()  val_dataset = DatasetQueryGallery(df_val, dataset_root=dataset_root) val_loader = torch.utils.data.DataLoader(val_dataset, batch_size=4)  # \u0441\u043e\u0437\u0434\u0430\u0435\u043c \u043a\u0430\u043b\u044c\u043a\u0443\u043b\u044f\u0442\u043e\u0440 \u043c\u0435\u0442\u0440\u0438\u043a, \u0432 \u043a\u043e\u0442\u043e\u0440\u043e\u043c \u0431\u0443\u0434\u0435\u043c \u043d\u0430\u043a\u0430\u043f\u043b\u0438\u0432\u0430\u0442\u044c \u0432\u0435\u043a\u0442\u043e\u0440\u0430 calculator = EmbeddingMetrics() calculator.setup(num_samples=len(val_dataset))  with torch.no_grad():     for batch in tqdm(val_loader):         batch[\"embeddings\"] = model(batch[\"input_tensors\"])         calculator.update_data(batch)  # \u043d\u0430\u043a\u0430\u043f\u043b\u0438\u0432\u0430\u0435\u043c \u0432\u0435\u043a\u0442\u043e\u0440\u0430  metrics = calculator.compute_metrics()  # \u0432\u044b\u0447\u0438\u0441\u043b\u044f\u0435\u043c \u043c\u0435\u0442\u0440\u0438\u043a\u0438: cmc@k, precision@k, map@k <\/code><\/pre>\n<h2>\u041f\u043e\u0434\u0440\u043e\u0431\u043d\u0435\u0435 \u043f\u0440\u043e OML \u0432 \u043a\u043e\u043d\u0442\u0435\u043a\u0441\u0442\u0435 \u0441\u0440\u0430\u0432\u043d\u0435\u043d\u0438\u044f \u0441 PyTorchMetricLearning<\/h2>\n<p>\u0412\u0441\u0451 \u043f\u043e\u0437\u043d\u0430\u0435\u0442\u0441\u044f \u0432 \u0441\u0440\u0430\u0432\u043d\u0435\u043d\u0438\u0438, \u043f\u043e\u044d\u0442\u043e\u043c\u0443, \u0447\u0442\u043e\u0431\u044b \u0431\u043e\u043b\u044c\u0448\u0435 \u0443\u0437\u043d\u0430\u0442\u044c \u043e\u0431 OML, \u0434\u0430\u0432\u0430\u0439\u0442\u0435 \u0441\u0440\u0430\u0432\u043d\u0438\u043c \u0435\u0433\u043e \u0441 \u043f\u043e\u043f\u0443\u043b\u044f\u0440\u043d\u043e\u0439 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u043e\u0439 <a href=\"https:\/\/kevinmusgrave.github.io\/pytorch-metric-learning\/\">PyTorchMetricLearning<\/a> (PML).<\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[],"tags":[],"class_list":["post-340592","post","type-post","status-publish","format-standard","hentry"],"_links":{"self":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/340592","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=340592"}],"version-history":[{"count":0,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/340592\/revisions"}],"wp:attachment":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=340592"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=340592"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=340592"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}