定义对比损失函数

NT-Xent Loss（Normalized Temperature-scaled Cross-Entropy）是对比学习（Contrastive Learning）中的核心优化目标，由 Google 团队在 2021 年提出。它是对原始 InfoNCE 损失函数的规范化改进，通过引入可学习的温度参数（Temperature）对指数分布进行平滑处理，有效缓解了样本数量巨大时的梯度稀疏问题，并增强了模型对正样本对的区分能力。

在现代深度学习架构中，NT-Xent Loss 已成为自监督学习与无监督表征学习的标准配置。它突破了传统监督学习对大规模标注数据的依赖，通过构建正负样本对，迫使模型在特征空间中拉近同类样本距离、推远异类样本距离。其核心价值在于将复杂的分类任务转化为更鲁棒的度量学习任务，广泛应用于图像分类、视频检索、自然语言处理及推荐系统等领域，是构建通用预训练模型的关键组件。