本文大多数知识来源于此文：https://blog.csdn.net/fire_light_/article/details/79592804
triplets
设左一的图为
Anchor（参考点），左二为Negative（反例），右一为Positive（正例），这三张图片构成一个三元组（triplet），其中A和P的欧式距离可能很大，A和N的欧式距离可能很小。
triplet Loss
什么是Triplet Loss呢？顾名思义，也就是根据三张图片组成的三元组（Triplet）计算而来的损失（Loss）。
其中，三元组由Anchor(A),Negative(N),Positive(P)组成，任意一张图片都可以作为一个基点（A）,然后与它属于同一人的图片就是它的P，与它属于同一人的图片就是它的N。
Triplet Loss的学习目标可以形象的表示如下图：
网络没经过学习之前，A和P的欧式距离可能很大，A和N的欧式距离可能很小，如上图左边，在网络的学习过程中，A和P的欧式距离会逐渐减小，而A和N的距离会逐渐拉大。
也就是说，网络会直接学习特征间的可分性：同一类的特征之间的距离要尽可能的小，而不同类之间的特征距离要尽可能的大。
意思就是说通过学习，使得类间的距离要大于类内的距离。
损失函数为：
其中，左边的二范数表示类内距离，右边的二范数表示类间距离，α是一个常量。优化过程就是使用梯度下降法使得损失函数不断下降，即类内距离不断下降，类间距离不断提升。
hard triplets
理论上说，为了保证网络训练的效果最好，我们要选择hard positive
以及hard negative
来作为我们的三元组
因此，hard triplets应该是满足类内距离最大化并且类间距离最小化的三元组。