InfoNCE loss是一种用于自监督学习的损失函数，通常用于训练对比学习模型，如自编码器或神经网络。全称是"InfoNCE: Contrastive Estimation of Neural Entropy"，基于对比学习的思想，旨在最大化正样本的相似性，同时最小化负样本的相似性。

InfoNCE loss的一般形式如下：
$$InfoNCELoss=-log(exp(similarity(x_i,y_i))/(exp(similarity(x_i,y_i))+\Sigma j\ne iexp(similarity(x_i,y_j)))$$
其中，
similarity(x_i, y_i) 表示样本 x_i 和对应的正样本 y_i 之间的相似性得分。
Σ j≠i 表示对所有其他负样本的求和。
exp() 表示指数函数。
InfoNCE loss的目标是最大化正样本之间的相似性得分，同时最小化负样本之间的相似性得分，从而促使模型学习到有意义的特征表示。通过优化InfoNCE loss，模型可以学习到对数据进行有效编码的特征表示，适用于自监督学习任务中的特征学习和表示学习。InfoNCE loss在对比学习和自监督学习中得到广泛应用，能够有效地提高模型的性能和泛化能力。

在其他应用中，其形式也可以是：

InfoNce Loss
参考：https://cloud.tencent.com/developer/article/2117162
Representation learning with contrastive predictive coding（2018）提出infoNce loss，是对比学习中最常用的loss之一，它和softmax的形式很相似，主要目标是给定一个query，以及k个样本，k个样本中有一个是和query匹配的正样本，其他都是负样本。当query和正样本相似，并且和其他样本都不相似时，loss更小。InfoNCE loss可以表示为如下形式，其中r代表temperature，采用内积的形式度量两个样本生成向量的距离。相比softmax，InfoNCE loss使用了temperature参数，以此将样本的差距拉大，提升模型的收敛速度。温度系数越大，模型对负样本的区分度就越低，这样可以纳入更多的负样本。相反，如果温度系数过小，模型就会更加关注那些特别困难的负样本，从而忽略了其他可能的正样本。