Center loss的出现是为了解决多分类损失函数softmax loss的缺点，softxmax loss分类的作用仅仅是把每个类别刚好分开，而不能拉开类别之间的距离，这会导致模型使用时，出现在类别边缘的样本点无法准确的分类。而center loss的作用是把每个类别内部的样本点聚集到一起，从而扩大了类别之间的距离，防止了样本点出现在类别边缘而无法准确分类的情况。值得注意的是center loss只一个辅助分类函数，必须要和softmax loss一起使用才有效果，单独使用是无法达到准确分类的效果的。

所有分类模型的损失函数作用都是分类，但是不同的损失函数，其分类效果也大不一样。比如softmax loss损失函数的作用是普通分类，也就是不同类别之间的分类；而center loss损失函数的作用是进行更精细化的分类，应用场景更适合同一类别内部的样本实例分类，比如人脸分类，车辆分类等，这些都是同一类别内部不同样本的分类。

Arc softmax loss又称arc face loss，是专门为人脸识别分类而设计的一种损失函数，其之前的版本有A-softmax loss、L-softmax loss、AM-softmax loss。和center loss不同的是，arc softmax loss是直接对softmax loss进行改进，通过增加不同类别之间的角度距离来使不同类别获得更好的分类效果。两者都是减小同一类别中边缘的样本点与中心样本点的距离，只是使用了不同的方法，center loss采用的直接是欧式距离的做法，在同一类别下的所有样本点之间计算距离，这使得硬件资源的开销过大，不适合超大样本的分类计算；而arc softmax loss不对单个样本点进行计算，采用的是对每两个类别的决策面进行扩压，使得两个类别的边界线越来越大，从而将每个类别内部的样本点挤压到了一起，达到了精细化分类的效果，在计算效率远远大于center loss。

虽然Arc softmax loss和center loss 的的技术实现方法不一样，但是目的都是一样的，都是为了更精细化的分类。二者的应用场景也是一样的，主要应用方向是对与同一类别下的实例目标进行分类识别。人脸做为每个人的身份信息，其商业价值是非常巨大的，比如商家识别了客户脸部信息，建立准确的客户信息表，下次就可以针对性的销售。