修改CNN loss函数，将基于集合的距离度量加入训练中
将CNN作为GAN的鉴别器，实现别人代码复现
阅读《Deep Cosine Metric Learning for Person Re-identification》
阅读《In defense of Triplet Loss for Person Re-Identification》
新思路 ：修改dataloader，每个批次选P个人的K张图，16的话可以是4个人的4张图 / 32的话可以是8个人的四张图。
关于Triplet loss的重要警告是：随着数据集变大，可能的triplet数量会有呈稀疏增长，使得足够长的训练变得不切实际。更糟糕的是，f相对较快地学会了正确映射最琐碎的triplets，使得triplets中很大一部分没有信息。（旧Triplet的缺陷）
在一个经典的实现中，一旦选择了一组特定的B triplets，则将其图像堆叠到大小为3B的批处理中，计算3B embedding，然后创建计算loss需要的B terms。考虑到这些3B 图片有6B^2～4B的有效可能的triplet组合，只是用其中一个似乎很浪费。
因此对其做出更改，其核心思想是：随机采样P个人，然后随机采样每个人的K张图，从而得到P*K张图。现在，对于一个批次中每个样本a，我们能选择这个批次中hardest positive and hardest negative samples，形成计算损失的triplets，并将此称为Batch Hard