# 用于电子秤快速上新的三重损失模型训练与测试

11/19/2019：目前处于可行性验证阶段，已经实现了
	1）EfficientNet三重损失的训练（t6.py）；
	2）训练后的模型用于推理并画出测试集的TSNE图（predictor.py）
	3）使用训练的模型计算测试集的类内和类间距离（compute_distance.py）
但是流程还没有打通，仍需要coding的内容包括：
	1）与GUI-Rotate结合，即首先对用于训练的类别建立baseline特征空间，即计算出每一类训练数据的嵌入向量的平均位置，作为list或json文件保存；运行程序时读取baseline特征空间，计算出当前图片的特征嵌入a后，求a与baseline中所有向量之间距离的最小值，将此最小值对应的类别作为当前图片的类别；
	2）1）中实现的是基础的识别功能，还要实现上新功能，即在一个单独的py文件中，实现对某一新类采集若干张图片，使用模型计算出其平均的特征向量，比较其与现有baseline空间中距离最近的类别的类间距离，是否大于该新类的类内距离，若是，则可以将该新类加入baseline特征空间。