基于pytorch-metric-learning开源工具，实现了包括模型训练、模型验证、模型推理的相关代码。

• 使用cifar10数据集训练模型

python train_embedding_model_cifar10.py

• 使用cifar100数据集训练模型

python train_embedding_model_cifar100.py

• 使用flower花朵数据集训练模型，下载数据并解压后放在datasets目录下。flower花朵数据集见（链接：https://pan.baidu.com/s/1TfzLYZrkfwLy8wShy7nyMA 提取码：gxei）
  • 修改./config/embedding.yaml配置文件里面的train_dataset_dir指向数据集的位置

python train_embedding_model.py

• 使用pytorch-metric-learning提供的API训练模型

python trainer_model.py

• results目录下提供了几个训练好的模型文件
  • model_cifar10_SupervisedContrastiveLoss.pth 使用SupervisedContrastiveLoss在cifar10上训练的模型
  • model_cifar100_CircleLoss.pth 使用CircleLoss在cifar100上训练的模型
  • model_flower_photos_SupervisedContrastiveLoss.pth 使用SupervisedContrastiveLoss在flower花朵数据集上训练的模型

备注：上面这些模型使用的损失函数可以通过模型的名字得到，训练过程中做了embedding归一化，使用余弦相似度计算特征之间的距离

使用训练好的模型，以及pytorch-metric-learning工具提供的接口进行模型推理。

python model_inference.py

使用训练好的模型，将读入的数据转化为embedding特征。

python feature_extraction.py

使用训练好的模型，将读入的数据转化为embedding特征，并对embedding降维后可视化。

python visualizer.py

将数据按照类别ID存放在不同的目录中，具体格式可以参考flower花朵数据集那样。

• cifar10

embedding特征之间的相似度可视化

embedding特征降维之后可视化

• cifar100

embedding特征之间的相似度可视化

embedding特征降维之后可视化

• 花朵数据集（共5类）

embedding特征之间的相似度可视化

embedding特征降维之后可视化

• 度量学习DML之Contrastive Loss及其变种
• 度量学习DML之Triplet Loss
• 度量学习DML之Lifted Structure Loss
• 度量学习DML之Circle Loss
• 度量学习DML之Cross-Batch Memory
• 度量学习DML之MoCO

• 从零搭建音乐识别系统（一）整体功能介绍
• 从零搭建音乐识别系统（二）音频特征提取
• 从零搭建音乐识别系统（三）音乐分类模型
• 从零搭建音乐识别系统（四）embedding特征提取模型
• 从零搭建音乐识别系统（五）embedding特征提取模型验证