真实面经题目 · 原创解析
这题考的是 ReID 训练中 batch 构造和度量学习损失的关系。P-K 采样不是简单凑 batch，而是每个 batch 选 P 个身份、每个身份取 K 张图，保证 anchor 有正样本、batch 内有足够负身份，并让 triplet、contrastive、circle、batch-hard 等损失能够稳定挖掘正负样本，同时缓解身份样本数不均衡带来的训练偏置。
ReID 的 P-K 采样做法是先建立 identity 到 image index 的映射，每个 iteration 随机选 P 个身份，再对每个身份采 K 张图，组成 batch size 等于 P×K 的 batch。这样每个身份在 batch 中图像数一致，且每个样本都能找到同身份正样本和其他 P-1 个身份的负样本。如果某个身份图片少于 K，可以有放回采样、跨 epoch 补齐或做数据增强，但要注意不要让重复图像过多导致过拟合；如果有摄像头信息，最好让同一身份的 K 张图尽量来自不同 camera，以提升跨摄像头鲁棒性。这种采样对度量学习有利，是因为 triplet loss、contrastive loss、circle loss 和 batch-hard mining 都依赖 batch 内正负样本结构。普通随机采样可能一个身份只出现一张图，anchor 没有 positive，或者少数大身份频繁出现，损失被样本数多的身份主导。P-K 采样保证每个身份贡献相近的正样本对和负样本对，同时增加 hard positive、hard negative 的挖掘机会。P 和 K 的选择有取舍：P 大则负身份多，利于区分不同人；K 大则每个身份正样本多，利于学习同一身份跨姿态、光照和摄像头变化，但会减少 batch 内身份数。实际要结合 GPU 显存、loss 类型、数据集身份数和每身份图片数调参，并用 Rank-1、mAP、类内距离、类间距离和 hard mining 统计验证。
ReID 要学习一个 embedding，使同一身份在不同摄像头、姿态、光照和遮挡下距离更近，不同身份距离更远。因此 batch 里必须同时有同身份正样本和不同身份负样本；如果 batch 构造不合理，度量学习损失就没有足够有效 pair 或 triplet。
实现时先把训练集整理成 identity_to_indices 字典。每个 batch 先随机采 P 个不同身份，再从每个身份的图像列表中采 K 张图，最终 batch size 是 P×K。这样每个身份在当前 batch 中贡献相同数量图像，避免样本多的身份天然占据更多梯度。
如果某个身份图片数少于 K，可以有放回采样，或通过随机裁剪、颜色扰动、翻转、擦除等增强生成不同视图；也可以在 sampler 设计中降低 K 或过滤极端少样本身份。关键是要知道重复采样会降低有效正样本多样性，可能导致该身份过拟合。
在 P-K batch 中，每个 anchor 至少有 K-1 个 positive 和 K×(P-1) 个 negative。Triplet loss 可以构造大量 triplet，batch-hard 可以在同 batch 内找最远正样本和最近负样本，contrastive 或 circle loss 也能获得稳定的 pair 结构。普通随机 batch 经常正样本不足，导致度量损失退化。
ReID 数据集常有长尾身份，有些人图片很多，有些人很少。如果按图片均匀随机采样，图片多的身份会更频繁出现，模型容易偏向头部身份。P-K 采样按身份先采样，再按身份内采图，让每个被选身份在 batch 中权重相近，更符合身份分类和度量学习目标。
P 越大，batch 内负身份越多，hard negative 更丰富，但每个身份的正样本数可能减少；K 越大，同身份变化覆盖更充分，hard positive 更可靠，但 batch 内身份数减少。常见调参思路是在显存允许的 batch size 下，选择能同时保证足够 positive 和足够 negative 的组合，例如 16×4、8×4、32×4 或根据数据集调整。
ReID 的难点是跨摄像头匹配，所以同一身份的 K 张图如果都来自同一 camera，正样本会过于容易。更好的 sampler 可以优先采不同 camera、不同时间或不同姿态的图像，配合 random erasing、color jitter 和 crop 增强，提高模型对遮挡、视角和光照变化的鲁棒性。
P-K 采样常和 ID classification loss 加 triplet loss 共同使用。分类损失让 embedding 有全局身份判别能力，triplet 或 circle loss 拉开局部距离结构。采样器需要保证度量损失在 batch 内有可用正负样本，否则即使 loss 写对了，训练信号也会很弱。
验证不能只看训练 loss 下降，还要看 Rank-1、Rank-5、mAP、类内距离、类间距离、hard positive 距离、hard negative 距离和不同 camera 切片表现。还可以统计每个 batch 的身份数、每身份图像数、正负 pair 数，确认 sampler 没有在分布式训练或最后一个 batch 中破坏 P-K 结构。
可以有放回采样并配合数据增强，也可以降低 K、过滤极端少样本身份或在 epoch 级别做补齐。需要注意重复图像会降低有效正样本多样性，训练和评估时要观察是否过拟合。
在固定 batch size 下，P 大提供更多负身份，K 大提供更多同身份变化。Triplet/batch-hard 通常需要 K 至少为 2，更常见是 4 左右；如果数据身份多且每身份图少，可以增大 P、适度降低 K。最终用验证集 mAP、Rank-1 和距离分布调参。
普通随机采样可能导致某身份只出现一张图，无法构造正样本；也可能头部身份频繁出现。P-K 采样保证 batch 内有稳定的 positive 和 negative，并让每个身份贡献更均衡的梯度。
batch-hard 需要在 batch 内为每个 anchor 找最难正样本和最难负样本。如果没有多个同身份样本，就找不到 hard positive；如果身份数太少，hard negative 候选不足，loss 的判别信号会变弱。
最好考虑。因为 ReID 目标是跨摄像头检索，同身份正样本如果都来自同一 camera，任务过于容易。采样时尽量覆盖不同 camera、时间或姿态，能提升跨域和跨视角泛化。
如果先全局构造 P-K batch 再随意切给不同 rank，单卡内可能没有完整身份结构，batch-hard loss 会失效。通常要让每个 rank 本地 batch 也满足 P-K，或者实现跨卡 gather 后再计算度量损失。
