从零开始学无监督学习：图像混合与标签平滑技术详解，收藏不走丢

文章介绍提升无监督学习性能的方法，结合图像混合和标签平滑技术。标签平滑可防模型过度自信，平滑决策边界；图像混合包括全局混合和区域混合(带背景衰减)，能使输出特征更平滑。实验表明，增加训练轮数能显著提升准确率，效果甚至优于图像混合方法，有效提高模型性能和迁移能力。

---

无监督学习，是最近学术界研究的热点问题。自监督学习（self-supervised learning），特别是基于对比（contrastive learning）的方法，得到了极大的关注，例如MoCo，SimCLR等方法已经逐步接近有监督预训练的性能（pre-training）。在现有无监督方法中，常用的数据增强方式还是简单的裁切、翻转或者颜色变换。然而，在有监督和半监督方法中，很多复杂的数据增强特别是基于mixup的方法得到了广泛应用，例如MixMatch和MoEx。

最近读了一篇论文"Rethinking Image Mixture for Unsupervised Visual Representation Learning"，通过使用图像混合（Image Mixture）和标签平滑（Label Smooth）来提升无监督学习的性能。

标签平滑

标签平滑是有监督学习中常用的一个训练技巧，它可以防止模型输出过度自信的概率预测，达到正则化的目的。它的具体做法如图1，从原始标签中拿出 ε ，平均分配到其他类别中。

图1. 标签平滑

***加入标签平滑可以鼓励模型平等的对待所有的非目标类别数据，这样可以利用更多的结构信息，减少不同样本的预测结果之间的方差。***具体到基于对比学习的无监督学习方法，如图2，作者通过样本混合的方式鼓励模型输出更加平滑的特征，进而使得特征空间的决策边界更加平滑，产生的不同样本的方差也更小。

图2. 样本混合可以鼓励模型输出平滑特征，进而使得特征空间的决策边界更加平滑，方差更小。

图像混合

**全局混合。**如图3，全局混合策略有点类似于迭代的无监督版mixup。多次进行不同图像的加权，得到新的增强数据，过程如下：

Im1←α1I1+β1I2Im2←α2I3+β2Im1⋯Imn−1←αn−1In+βn−1Imn−2

图3. 全局混合策略

**区域混合。**作者使用CutMix策略，即从一张图片抠出一部分粘贴到另一张图片。但是考虑到存在不符合常识和无意义的混合（第二行），作者对背景context做了衰减（Decay），来强调前景物体，弱化背景。整个过程，如下：

Im1←M1⊙I1+λDecay(1−M1)⊙I2Im2←M2⊙I3+(1−M2)⊙Im1⋯Imn−1←Mn−1⊙In+(1−Mn−1)⊙Imn−2

图4. 区域cutmix混合和背景Decay策略

训练

论文采用MoCo和CMC（contrastive multiview coding）两种无监督训练模型。

实验

超参数选择和ablation study在ImageNet-100上面进行，最终结果在ImageNet-1000上面报告。实验结果如图5，可以看出，论文提出的每一个部分对性能都起到了一定的作用。同时，**增加训练的轮数，可以大幅提升最后的正确率，这个结论在之前自监督的论文以及SimCLR里面也被提到过。**注意到一点，增加训练轮数带来的提升，甚至要远远大于图像混合带来的提升。

另外，论文也在Object Detection和Sementation两个任务上面验证了图像混合方法训练的模型的迁移性能。

图5. 实验结果。More Budget模型训练了800个epoch。

总结：

1. 在无监督学习中，标签平滑能够起到平滑决策边界，减小方差的作用。
2. 使用图像混合结果作为输入，可以使输出结果更加平滑。
3. 无监督学习训练的epoch通常要比有监督学习多很多。

零基础如何高效学习大模型？

你是否懂 AI，是否具备利用大模型去开发应用能力，是否能够对大模型进行调优，将会是决定自己职业前景的重要参数。

为了帮助大家打破壁垒，快速了解大模型核心技术原理，学习相关大模型技术。从原理出发真正入局大模型。在这里我和鲁为民博士系统梳理大模型学习脉络，这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码免费领取🆓**⬇️⬇️⬇️

【大模型全套视频教程】

教程从当下的市场现状和趋势出发，分析各个岗位人才需求，带你充分了解自身情况，get 到适合自己的 AI 大模型入门学习路线。

从基础的 prompt 工程入手，逐步深入到 Agents，其中更是详细介绍了 LLM 最重要的编程框架 LangChain。最后把微调与预训练进行了对比介绍与分析。

同时课程详细介绍了AI大模型技能图谱知识树，规划属于你自己的大模型学习路线，并且专门提前收集了大家对大模型常见的疑问，集中解答所有疑惑！

深耕 AI 领域技术专家带你快速入门大模型

跟着行业技术专家免费学习的机会非常难得，相信跟着学习下来能够对大模型有更加深刻的认知和理解，也能真正利用起大模型，从而“弯道超车”，实现职业跃迁！

【精选AI大模型权威PDF书籍/教程】

精心筛选的经典与前沿并重的电子书和教程合集，包含《深度学习》等一百多本书籍和讲义精要等材料。绝对是深入理解理论、夯实基础的不二之选。

【AI 大模型面试题 】

除了 AI 入门课程，我还给大家准备了非常全面的**「AI 大模型面试题」，**包括字节、腾讯等一线大厂的 AI 岗面经分享、LLMs、Transformer、RAG 面试真题等，帮你在面试大模型工作中更快一步。

【大厂 AI 岗位面经分享（92份）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

【640套 AI 大模型行业研究报告】

【AI大模型完整版学习路线图（2025版）】

明确学习方向，2025年 AI 要学什么，这一张图就够了！

👇👇点击下方卡片链接免费领取全部内容👇👇

抓住AI浪潮，重塑职业未来！

科技行业正处于深刻变革之中。英特尔等巨头近期进行结构性调整，缩减部分传统岗位，同时AI相关技术岗位（尤其是大模型方向）需求激增，已成为不争的事实。具备相关技能的人才在就业市场上正变得炙手可热。

行业趋势洞察：

• 转型加速： 传统IT岗位面临转型压力，拥抱AI技术成为关键。
• 人才争夺战： 拥有3-5年经验、扎实AI技术功底和真实项目经验的工程师，在头部大厂及明星AI企业中的薪资竞争力显著提升（部分核心岗位可达较高水平）。
• 门槛提高： “具备AI项目实操经验”正迅速成为简历筛选的重要标准，预计未来1-2年将成为普遍门槛。

与其观望，不如行动！

面对变革，主动学习、提升技能才是应对之道。掌握AI大模型核心原理、主流应用技术与项目实战经验，是抓住时代机遇、实现职业跃迁的关键一步。

01 为什么分享这份学习资料？

当前，我国在AI大模型领域的高质量人才供给仍显不足，行业亟需更多有志于此的专业力量加入。

因此，我们决定将这份精心整理的AI大模型学习资料，无偿分享给每一位真心渴望进入这个领域、愿意投入学习的伙伴！

我们希望能为你的学习之路提供一份助力。如果在学习过程中遇到技术问题，也欢迎交流探讨，我们乐于分享所知。

*02 这份资料的价值在哪里？*

专业背书，系统构建：

• 本资料由我与鲁为民博士共同整理。鲁博士拥有清华大学学士和美国加州理工学院博士学位，在人工智能领域造诣深厚：

• • 在IEEE Transactions等顶级学术期刊及国际会议发表论文超过50篇。
  • 拥有多项中美发明专利。
  • 荣获吴文俊人工智能科学技术奖（中国人工智能领域重要奖项）。

• 目前，我有幸与鲁博士共同进行人工智能相关研究。

内容实用，循序渐进：

• 资料体系化覆盖了从基础概念入门到核心技术进阶的知识点。

• 包含丰富的视频教程与实战项目案例，强调动手实践能力。

• 无论你是初探AI领域的新手，还是已有一定技术基础希望深入大模型的学习者，这份资料都能为你提供系统性的学习路径和宝贵的实践参考，助力你提升技术能力，向大模型相关岗位转型发展。

  

抓住机遇，开启你的AI学习之旅！