Actualmente, el aprendizaje profundo es el método principal para resolver el problema de la reidentificación de personas. Con el rápido desarrollo de las redes neuronales en los últimos años, han surgido varios marcos de redes neuronales para ello, por lo que se vuelve más importante explorar un algoritmo base simple y eficiente. De hecho, el rendimiento del mismo módulo varía considerablemente en diferentes posiciones de la arquitectura de la red. Después de explorar cómo los módulos pueden desempeñar un papel máximo en la red y de estudiar y resumir los algoritmos existentes, diseñamos un algoritmo base de pérdida múltiple adaptativa (AML) con una estructura simple pero funciones poderosas. En esta red, utilizamos una pérdida de muestra de minería adaptativa (AMS) y otros módulos, que pueden extraer más información de las muestras de entrada al mismo tiempo. Basado en la pérdida de tripletas, la pérdida AMS puede optimizar la distancia entre la muestra de entrada y sus muestras positivas y negativas y proteger la información estructural dentro de la muestra. Durante el experimento, realizamos varias pruebas grupales y confirmamos el alto rendimiento de la base AML a través de los resultados. La base AML tiene un rendimiento destacado en tres conjuntos de datos comúnmente utilizados. Los dos indicadores de la base AML en CUHK-03 son un 25.7% y un 26.8% más altos que BagTricks.