【trick技巧】label smoothing标签平滑的一些个人思考

问题背景

对于分类问题，尤其是多类别分类问题中，常常把类别向量做成one-hot vector(独热向量)。

简单地说，就是对于多分类向量，计算机中往往用[0, 1, 3]等此类离散的、随机的而非有序(连续)的向量表示，而one-hot vector 对应的向量便可表示为[0, 1, 0]，即对于长度为n 的数组，只有一个元素是1，其余都为0。

因此表征我们已知样本属于某一类别的概率是为1的确定事件，属于其他类别的概率则均为0。

此处就可引出一对概念：

• 硬编码的类别标签向量是二值的，如，一个类别标签是正类别-1，其他类别标签为负类别-0.
• 软编码的类别标签中，正类别具有最大的概率；其他类别也具有非常小的概率.

one-hot 带来的问题：

对于损失函数，我们需要用预测概率去拟合真实概率，而拟合one-hot的真实概率函数会带来两个问题：

1)无法保证模型的泛化能力，容易造成过拟合；

2)全概率和0概率鼓励所属类别和其他类别之间的差距尽可能加大，而由梯度有界可知，这种情况很难adapt。会造成模型过于相信预测的类别。

解决方法

使用下面的 label smoothing 可以缓解这个问题：

• 原理：对于以Dirac函数分布的真实标签，我们将它变成分为两部分获得（替换）
  其中，Dirac函数就是 在除了零以外的点函数值都等于零，而其在整个定义域上的积分等于1。完全对应one-hot编码的分布。

1. 第一部分：将原本Dirac分布的标签变量替换为(1 - ϵ)的Dirac函数；

2. 第二部分：以概率 ϵ ，在u(k)u(k) 中份分布的随机变量。

代码对应为：

       def label_smoothing(inputs, epsilon=0.1):
          K = inputs.get_shape().as_list()[-1]    # number of channels
          return ((1-epsilon) * inputs) + (epsilon / K)

代码的第一行是取Y的channel数也就是类别数
第二行就是对应公式了。

举例说明

下面用一个例子理解一下：

假设我做一个蛋白质二级结构分类，是三分类，那么K=3； 假如一个真实标签是[0, 0, 1]，
取epsilon = 0.1， 新标签就变成了（1 - 0.1）× [0, 0, 1] + (0.1 / 3) = [0, 0, 0.9] + [0.0333, 0.0333, 0.0333]
= [0.0333, 0.0333, 0.9333]

实际上分了一点概率给其他两类（均匀分），让标签没有那么绝对化，留给学习一点泛化的空间。从而能够提升整体的效果。

这些是软标签，而不是硬标签（0和1）。当出现错误预测时，这将降低最终的损失，随后，模型将在较小程度上惩罚和学习错误。（不希望模型对其预测结果过度自信.）

本质上，标签平滑将帮助您的模型避免围绕错误的标签数据进行训练（如果有错误标签未清理干净，label smoothing会有点用），从而提高其健壮性和性能。（标签平滑可以降低模型的可信度，并防止模型下降到过拟合所出现的损失的深度裂缝里.）

label_smoohing相当于一种正则方式，

• 在相对较小的模型上，精度提升不明显甚至会有所下降，下表展示了ResNet18在ImageNet-1k上使用label_smoothing前后的精度指标。可以明显看到，在使用label_smoothing后，精度有所下降。
  
• 较大的模型使用label smoothing可以有效的提升模型的精度，较小的模型使用此种方法可能会降低模型精度。

所以在决定是否使用label_smoohing前，需要评估模型的大小和任务的难易程度。

个人理解（不一定准确）

直白地说，label smoothing就是将标签由0，1转换成小数。从交叉熵loss公式可以看出，经过LS后的标签算loss就相当于在原loss前乘了个系数。总的来看loss都比原来one-not标签时缩小了。

突然联想到了focal loss,计算方式如下：

感觉这个LS和Focal Loss只保留α系数时很像，但实际作用还是不同。

• Focal Loss的阿尔法是调节正负样本比例不均衡造成的影响。
• LS是防止过拟合，正负样本类间相聚较远，类内收缩太严重，决策面挤到一起，不具有泛化性。
  LS后的loss较原先的loss，算正负样本的loss较原来都会减小，从梯度计算 或 可视化角度来看，相当于算正样本loss时，负样本会往回拉一点，不会跑的太远；算负样本loss时，正样本loss也会存在，会往反方向拉一点，也不至于跑的太远；所以会有防止过拟合的作用。
  

但是，LS在人脸上貌似没有作用，详细原因剖析可以参考大佬的讲解。