[nlp] SimCSE 对比学习

对比学习损失，最出名的两个，一个是triplet_loss（hinge_loss），一个是 InfoNCEloss。

InfoNCEloss：用温度系数T平滑softmax，得到期望的logit分布，再使用交叉熵计算损失。

具体来说，就是在softmax时，引入温度系数T。T趋近于无穷，则趋近于均匀分布，T趋近于0，则趋近于one-hot分布。可以设置为0.05。

SimCSE（文本）：

【单塔 无监督】利用同一输入每次过dropout后生成不同embedding的特性，完美规避了传统文本增强方法伴随的语义漂移问题，同一文本dropout两次得到正样本（的embedding），batch中其他文本dropout两次为负样本样本优化样本增强。

【双塔 有监督】原论文把相似当作正例，矛盾和中立当作负例。

温度系数越小，越重视困难样本。

训练目标等价于 增加正样本之间的相似度。