监督、自监督、半监督、无监督学习的区别

最新推荐文章于 2024-01-28 14:33:07 发布
最新推荐文章于 2024-01-28 14:33:07 发布
阅读量542 收藏 1
点赞数
分类专栏： self training 文章标签： 学习 人工智能 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/dannyle/article/details/128422583
版权

目录

一、简易版区别

二、详细版区别

一、简易版区别

A Survey on Semi-, Self-and Unsupervised Learning for Image Classification 文中的解释：

监督学习（a）：给出全部样本红蓝两类的标签

半监督学习（b）：给出部分标签

无监督（c）：完全无标签

自监督（d）：在无标签数据上通过pretext task学习representation（之后在下游任务的有标签数据上fine-tune representation）


原文链接

二、详细版区别

监督学习利用大量的标注数据来训练模型，模型的预测和数据的真实标签产生损失后进行反向传播，通过不断的学习，最终可以获得识别新样本的能力。

无监督学习不依赖任何标签值，通过对数据内在特征的挖掘，找到样本间的关系，比如聚类相关的任务。

和无监督学习不同，自监督学习主要是利用辅助任务（pretext）从大规模的无监督数据中挖掘自身的监督信息，通过这种构造的监

最低0.47元/天 解锁文章
dannyle
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【机器学习】有监督、无监督、自监督、半监督、弱监督的区别
liufang_imei的博客
01-07 7558
自监督数据监督来源于数据本身，其实就是自己生成一些简单的标签，然后去学习，理论上网络就学习到了图像的一些特征信息，然后再在这个模型的基础上添加其他任务。相对于分割的标签来说，分类的标签就是弱标签。
监督学习、无监督学习、半监督学习、自监督学习的区别与联系
weixin_42398534的博客
05-05 4147
监督学习： 所有数据都有标签或真值，直接对网络输出结果和标签计算loss函数，进行训练。 缺点：标签很难获取，且提取的特征依赖于标签（即特定任务），而不是数据本身的特征 无监督学习： 所有数据都没有标签，通过Encoder-Decoder结构对输入进行编解码操作，解码输出的结果与原始输入图像对比计算loss函数，进行训练，从而使encoder部分提取出输入数据的特征，实现聚类 特点：提取出来的特征包含了重建数据的细节信息，在分类等任务中想要的却是数据的抽象特征 半监督学习 一小部分数据有标签，大部分数据没有
监督、自监督和无监督
zzhhjjjj的博客
11-29 2948
Supervise learning self supervise learning label 不需要特别雇佣人类去标记，他可以自动产生 "Self-supervised Learning "这个词，当初Yann LeCun说过，其实并不是一个老词。根据2019年4月在Facebook上的一个帖子，他说，我现在说的这个方法，他叫Self-supervised Learning。为什么不叫无监督学习呢？因为无监督学习是一个比较大的家族，里面有很多不同的方法，为了让定义更清晰，我们叫它 “自监督”，比如我
一文看懂半监督学习(Semi-supervised Learning)和自监督学习(Self-Supervised Learning)
热门推荐
qq_44015059的博客
05-30 5万+
1. 机器学习学习任务 1.1 监督学习 根据输入-输出样本对L={(x1,y1),⋅⋅⋅,(xl,yl)}L=\{(x1,y1),···,(xl,yl)\}L={(x1,y1),⋅⋅⋅,(xl,yl)}学习输入到输出的映射f:X−>Yf:X->Yf:X−>Y,来预测测试样例的输出值。SL包括分类(Classification)和回归(Regression)两类任务，分类中的样例xi∈Rmx_i∈R^mxi​∈Rm(输入空间)，类标签yi∈{c1,c2,⋅⋅⋅,cc}y_i∈\{c_1,c
监督、半监督、无监督、自监督学习方法之间的区别
AAI666666的博客
01-13 1058
监督、半监督、无监督、自监督学习方法之间的区别
自我学习与半监督学习的区别
FacingTheSunCN的专栏
03-26 1678
From http://deeplearning.stanford.edu/wiki/index.php/Self-Taught_Learning There are two common unsupervised feature learning settings, depending on what type of unlabeled data you have. The more ge
深度学习中有监督，无监督， 自监督学习
chumingqian的博客
06-20 1万+
半监督或弱监督混淆：（半监督和弱监督）指的是在数据集中部分一些例子X没有标签，但是数据的人工标签是存在的。
笔记：全监督，自监督，半监督，弱监督，无监督的关系和区别
hlglzp的博客
09-08 4509
训练数据没有外部给定的标签，但是模型可以通过一些辅助任务（pretext）来自动生成一些内部的标签，然后用这些内部标签来训练模型，从而学习到数据的内在表示（representation），再用这些表示来做下游任务（downstream），例如在图像上做旋转预测或遮挡恢复等辅助任务，然后用得到的特征向量来做分类或检测等下游任务。训练数据有一些不完整、不确切或不准确的标签，模型通过学习这些低质量的标签来完成一个更困难的任务，例如利用图片级别的分类标签来做目标检测或分割。
自我学习,监督学习,半监督学习和迁移学习的区别
终结大笨狗的博客
04-02 1万+
区别自我学习和半监督学习一样，当前手头上只有少量训练样本，但是周围手头上还有大量无标注样本。举一个经典的例子，分离大象和犀牛。 对于监督学习来说，我们手头有大量大象的样本和犀牛的样本，接下来训练分类器，进行分类，大家都知道的。 对于迁移学习，则是指我们手头上有大量羊的样本和马的样本（已标记），少量的大象和犀牛的样本，接下来就要从羊和马的样本中选出有效的样本分别加入到大象和犀牛的标记样本中，然后再
自监督学习和无监督学习的区别
ding_programmer的博客
09-12 1万+
无监督学习 无监督学习不依赖任何标签值，通过对数据内在特征的挖掘，找到样本间的关系，比如聚类相关的任务 自监督学习 和无监督学习不同，自监督学习主要是利用辅助任务（pretext）从大规模的无监督数据中挖掘自身的监督信息，通过这种构造的监督信息对网络进行训练，从而可以学习到对下游任务有价值的表征。 换句话说：自监督学习的监督信息不是人工标注的，而是是通过辅助任务（pretext）在大规模无监督数据中自动构造监督信息，通过得到的标签，就可以类似有监督学习一样进行训练。 区别 自监督学习是从数据本身找标签来进行
神经网络的自监督学习与无监督学习
最新发布
禅与计算机程序设计艺术
01-28 1344
1.背景介绍 在深度学习领域，自监督学习和无监督学习是两种非常重要的方法。在本文中，我们将探讨神经网络在自监督学习和无监督学习方面的应用，并深入了解其核心概念、算法原理、最佳实践以及实际应用场景。 1. 背景介绍 自监督学习(Self-supervised learning)和无监督学习(Unsupervised learning)是深度学习领域中两种非常重要的方法。自监督学习通过使用已有的...
自监督、半监督、无监督学习，傻傻分不清楚？最新综述来帮你！
我爱计算机视觉
02-22 1万+
点击我爱计算机视觉标星，更快获取CVML新技术推荐给大家一篇昨天arXiv新出的论文 ：A survey on Semi-, Self- and Unsupervised Techniq...
全监督，自监督，半监督，弱监督，无监督的关系和区别
qq_40721108的博客
03-27 4436
全监督，自监督，半监督，弱监督，无监督的关系和区别
【机器学习范式】监督学习，无监督学习，强化学习， 半监督学习，自监督学习，迁移学习，对比分析+详解与示例代码
qq_35831906的博客
11-11 1万+
机器学习（Machine Learning，ML）有不同的范式，这些范式描述了学习算法如何从数据中提取模式和知识。本文介绍监督学习，无监督学习，强化学习， 半监督学习，自监督学习，迁移学习，对比分析+详解与示例代码
机器学习中的名词解释（一）：监督学习、无监督学习、半监督学习、自监督学习（通俗理解）
qq_53527856的博客
12-06 5461
机器学习中有几个带有“监督”二字的名词，易混淆，写篇博客解释一下下~
关于自监督、半监督、无监督、有监督学习总结（及半监督学习的优缺点？？）
weixin_45325693的博客
07-26 1551
关于自监督、半监督、无监督、有监督学习总结（及半监督学习的优缺点？？）
监督，无监督以及自监督之间的区别
yhblog的博客
11-22 3299
首先比较监督和无监督学习，其最主要的区别在于模型在训练时是否需要人工标注的标签信息。 监督学习利用大量的标注数据来训练模型，模型的预测和数据的真实标签产生损失后进行反向传播，通过不断的学习，最终可以获得识别新样本的能力。 无监督学习不依赖任何标签值，通过对数据内在特征的挖掘，找到样本间的关系，比如聚类相关的任务。 和无监督学习不同，自监督学习主要是利用辅助任务（pretext）从大规模的无监督数据中挖掘自身的监督信息，通过这种构造的监督信息对网络进行训练，从而可以学习到对下游任务有价值的表征。换句话说自监.
有监督、半监督、无监督、弱监督、自监督的定义和区别
翻山越岭的那一边
02-07 4万+
有监督、半监督、无监督、弱监督、自监督的定义和区别
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值