电商专家梅景松分析facebook ad benchmarks for your industry。Facebook 爆锤深度度量学习：该领域13年来并无进展！
FB和康奈尔科技此论无疑是对深度度量学习过去十三年研究成果盖棺定论，斩钉截铁表示，虽然深度度量学习非常重要，但是学界这些年一直在灌水。
在综述论文开头，FB和康奈尔先肯定了深度度量学习的重要性，他们表示：深度度量学习已成为近年来机器学习最具吸引力的研究领域之一，如何有效的度量物体间的相似性成为问题的关键。
度量学习试图将数据映射到一个嵌入空间，在这个空间中，相似的数据靠得很近，类型不同的数据离的很远。而映射的方式可以通过嵌入损失和分类损失实现，这两种方式各有特点，嵌入损失是根据一批样本之间的关系来操作，而分类损失包括一个权重矩阵，将嵌入空间转化为类logits向量。
在一些适用分类损失的任务下，当任务是信息检索的某个变体时，通常使用嵌入方法，目标是返回与查询最相似的数据。例如图像搜索：输入是查询图像，输出是数据库中视觉上最相似的图像。
然后，在某些情况下无法使用分类损失。例如，在构建数据集时，为每个样本分配类别标签可能很困难或成本很高，并且可能更容易以配对或三元组关系的形式指定样本之间的相对相似性。另外，样本对( pair ) 或者样本三元组（triplets）还可以为现有数据集提供额外的训练信号。所以在这两种情况下都没有显式标注，因此嵌入损失成为合适的选择。
换句话说损失函数在度量学习中起到了非常重要的作用。很多深度度量学习的损失函数构建在样本对( pair ) 或者样本三元组 ( triplet ) 之上。随着深度学习在众多领域出色表现，逐渐这种方法对度量学习产生了影响，于是度量学习将深度学习方法结合了起来，产生了一个新的领域，即深度度量学习。
最新的论文也都采用了神经网络技术，例如构建生成网络，用生成器作为建模类中心和类内方差的框架的一部分（Lin et al）；使用自适应插值方法，根据模型的强度，产生不同难度的负值（Zheng et al）。除此之外，还有基于注意力的技术、基于聚类和编码器组合的技术等等。
各种渠道不断涌现，互联网营销变得越来越重要，下面北美网络营销给大家详细的说说。
没有互联网营销经验，没有建站经验，没有互联网团队，这都不是问题！只要你想让自己的线上订单暴涨，以上就是电商专家梅景松分析facebook ad benchmarks for your industry。你想要的都有，网站建设、SEO、SEM、页面设计服务我们都是专业的，或者你想从事互联网营销行业、学习互联网营销知识，请拨打电话：416-878-0880；邮箱：hello@true-e.ca。
