在深度学习中，最重要的几个要素是：数据，算力，网络结构，损失函数。 损失函数loss对神经网络最直观的影响就是，通过计算损失函数loss反传梯度来实现对模型参数的更新，不同的损失函数loss可以使模型更加侧重于学习到数据某一方面的特征，并在之后能够更好地提取到这一独有的特征，因此损失函数loss对于网络优化有导向性的作用。 损失函数通常是计算预测的结果和真实结果之间的差异，引导网络做出更准确的预测。对于不同的深度学习任务，使用一个恰当的损失函数是很有必要的。
损失函数分为两大类，基于度量学习的和基于分类的。
度量学习主要有triplet_loss，分类学习主要有softmax_loss。
深度度量学习（deep metric learning）是度量学习的一种方法，它的目标是学习一个从原始特征到低维稠密的向量空间（称之为嵌入空间，embedding space）的映射，使得同类对象在嵌入空间上使用常用的距离函数（欧氏距离、cosine距离等）计算的距离比较近，而不同类的对象之间的距离则比较远。
