基于fastai v2的triplet实现，在mnist上做了测试，降维可视化效果很好

fastai版本：2.5.3

注意：nn中的triplet margin loss不能用，原因是输出pred为元组，被当做一个变量处理了，具体参考learner._do_one_batch()

在看这些代码之前，你需要了解triplet的实现原理，fastai的基本用法

具体代码分析：

show_batch之类的内容，参考fastai文档中的Siamese实现

transform

知识点

dict.get(key, args):如果key存在，返回value，否则返回args

为什么transorm中不定义self.train？
    dls中的train和valid是根据splits划分的，具体参考core.py中的subset()函数和TfmdDL、DataLoaders类

encodes中返回的cls没有用，但是必须返回，因为fastai在获取训练数据时，用了切片，把最后一个元素切下来当做标签，如果不加cls，输入会少张图。具体参考learner._split()

class TripletTransform(Transform):
    def __init__(self, files, splits):
        self.splbl2files = [{l: [f for f in files[splits[i]] if label_func(f) == l] for l in labels}
                          for i in range(2)]
        self.valid = {f: self._draw(f,1) for f in files[splits[1]]}
    def encodes(self, f):
        f2,f3,cls = self.valid.get(f, self._draw(f,0))
        img1,img2,img3 = PILImage.create(f),PILImage.create(f2),PILImage.create(f3)
        return TripletImage(img1, img2, img3, int(cls))
    
    def _draw(self, f, split=0):
        cls1 = label_func(f)
        cls2 = random.choice(L(l for l in labels if l != cls1))
        while len(self.splbl2files[split][cls2]) == 0: 
            cls2 = random.choice(L(l for l in labels if l != cls1))
        return random.choice(self.splbl2files[split][cls1]),random.choice(self.splbl2files[split][cls2]),cls1

triplet loss func

直接把nn中的TripletMarginLoss拿来，修改forward。上面也提到了，fastai的pred会被封装成元组，因此改成x获取(anchor, positive, negative)，args获取yb。这部分的理解同样参考learner._do_one_batch()的实现。

class _Loss(Module):
    reduction: str
    def __init__(self, size_average=None, reduce=None, reduction: str = 'mean') -> None:
        super(_Loss, self).__init__()
        if size_average is not None or reduce is not None:
            self.reduction: str = _Reduction.legacy_get_string(size_average, reduce)
        else:
            self.reduction = reduction

class triplet_loss_func(_Loss):
    __constants__ = ['margin', 'p', 'eps', 'swap', 'reduction']
    margin: float
    p: float
    eps: float
    swap: bool

    def __init__(self, margin: float = 1.0, p: float = 2., eps: float = 1e-6, swap: bool = False, size_average=None,
                 reduce=None, reduction: str = 'mean'):
        super(triplet_loss_func, self).__init__(size_average, reduce, reduction)
        self.margin = margin
        self.p = p
        self.eps = eps
        self.swap = swap
    def forward(self, x, *args):
        anchor, positive, negative = x[0], x[1], x[2]
        
        return F.triplet_margin_loss(anchor, positive, negative, margin=self.margin, p=self.p,
                                     eps=self.eps, swap=self.swap, reduction=self.reduction)

其它就是fastai正常训练流程了，plot top losses方法实现也比较容易，我写的比较粗糙就不展开讲了