为什么选择相似度学习？¶
如果您尝试使用分类等传统方法解决机器学习问题，可能会面临一些问题。
冷启动问题 - 产品发布前，您可能没有标注数据。而要标注数据，您必须先发布产品。
数据集兼容性 - 您找到了几个适合您任务的数据集，但它们的标注略有不同，这使得它们无法一起使用。
需求变更 - 您已经训练好模型，但上线后发现存在标注中未包含的新类别。
无法微调 - 模型部署后，如果不进行手动条件检查，就无法在某些特定极端情况下改变其行为。
可解释性不足 - 解释分类模型的预测是一种艺术。只有最简单的模型才提供某种形式的可解释性。
相似度学习提供了一种替代方案，可以消除这些缺点。
与传统的分类模型不同，它不依赖于预定义的标签集，而是学习对象之间的相似性。事实证明，这种方法在数据收集、建模和部署阶段提供了诸多好处。
收集相似度学习的数据集要容易得多，因为任何分类数据集也是相似度数据集。关于类别的信息可以直接用于确定对象之间的相似性。
因此，即使初始标签不兼容，也可以将多个分类数据集合并为一个相似度数据集。在某些情况下，您甚至完全不需要手动标注。如果数据由多个组件组成，例如多模态对，您可以使用自监督方法。
在建模阶段，相似度学习也更加灵活 - 它不依赖于固定的类别数量，因此只需简单地扩展参考集即可引入新类别。在部署阶段也是如此，您可以引入新示例而无需任何停机时间和重新部署。
最后，通过检查模型产生的对象之间的相似性，可以深入了解模型在进行预测时所依据的指导原则。
何时应用相似度学习？¶
当然，这种方法并不能解决所有问题。在某些情况下，二元分类已经足够了，但有一些常见任务模式与相似度学习兼容。
首先，相似度学习可以帮助解决难以定义类别边界的任务。这包括各种推荐和匹配问题。其中也包括所有类别数量庞大或可能增加的任务。
总的来说，如果您打算训练一个拥有超过 50 个类别的分类器，或者，天哪，正在考虑层次分类，我们鼓励您将相似度学习视为一种替代方案。
这也包括二元分类问题，其中许多结构上不同的子类别合并在一个类别下。一个此类问题的例子是异常检测——一组由单一标签统一的异常类别。通过让模型找到与已见过异常相似的异常，可以更好地处理它们。
查看我们的解决方案集合，您可以使用相似度学习构建这些方案。
为什么选择 Quaterion？¶
许多通用框架可以帮助您快速训练计算机视觉或自然语言处理任务。然而，相似度学习具有其特殊性，通常需要在常规流程之上增加一个重要的额外层。
例如，在训练相似度模型时，批处理大小的作用远大于其他模型。标签要么不存在，要么以完全不同的方式处理。在许多情况下，模型已经预训练好了，这也需要调整过程。
通过专注于相似度学习，Quaterion 可以更好地支持这些特殊需求，同时简化开发并加速训练过程。
此外，Quaterion 的创建旨在将其主要任务定位于模型微调。这使得它甚至兼容只有少量标注数据的任务。
Quaterion 使用 PyTorch Lightning 作为后端。它让您无需陷入模板代码即可立即提高效率。您可以在快速入门指南中一窥 Quaterion 的风采。
