triplet
一、triplet loss 原理
triplet：一个三元组，这个三元组是这样构成的：从训练数据集中随机选一个样本，该样本称为Anchor，然后再随机选取一个和Anchor (记为x_a)属于同一类的样本和不同类的样本,这两个样本对应的称为Positive (记为x_p)和Negative (记为x_n)，由此构成一个三元组。
triplet loss：针对三元组中的每个元素（样本），训练一个参数共享或者不共享的网络，得到三个元素的特征表达，分别记为：f(x_a)、f(x_p)、f(x_n)。通过学习，让x_a和x_p特征表达之间的距离尽可能小，而x_a和x_n的特征表达之间的距离尽可能大，并且要让x_a与x_n之间的距离和x_a与x_p之间的距离之间有一个最小的间隔
。
目标函数：距离用欧式距离度量，+表示[]内的值大于零的时候，取该值为损失，小于零的时候，损失为零。
二、triplet loss 实现
1、caffe中triplet loss layer的实现
http://blog.csdn.net/tangwei2014/article/details/46812153
2、视频应用
https://github.com/xiaolonw/caffe-video_triplet
相关阅读
gamma校正原理：假设图像中有一个像素，值是 200 ，那么对这个像素进行校正必须执行如下步骤： 1. 归一化 ：将像素值转换为 0 ～ 1 之间
中间人的攻击手段（利用漏洞） 攻击基本原理 中间人攻击原理：利用ARP协议没有认证机制，并且取最后一条信息作为最新的mac信息假如小明
Root 方法： 通过fastboot 刷入指定的recovery.img, 替换了系统原生的recovery， 进入recovery，刷入root相关文件，以达到root目的
深度学习中Attention Mechanism详细介绍：原理、分类及
Attention是一种用于提升基于RNN（LSTM或GRU）的Encoder + Decoder模型的效果的的机制（Mechanism），一般称为Attention Mechanism。Attent
原文出自：https://www.pandashen.com 前言 Koa 2.x 版本是当下最流行的 NodeJS 框架，Koa 2.0 的源码特别精简，不像 Express 封装