simclr 和损失函数的创新更新，仅仅迭代两步准确率可以提高1%多 很好 提供读取自己数据集的关键程序

 

目录

 

1 基本理论

2 创新点  （主要是改进损失函数）

3  读取自己数据集的关键核心程序

---

1 基本理论

k可以训练自己的数据集

在官方中 他提出了进行训练手写字体的方法

可以采取原始图像进行数据增强的方法，比如crop等，

然后得到了进一步的数据，对进一步的数据输入到一个骨干网络 然后骨干网络，可以提取得到相关的数据特诊

那么很明显的可以对特征进行对比学习

然后当测试的时候，将数据得到的特征，于原始训练集的特征进行点成绩，显然可以得到每一个成绩的欧氏距离，根据欧式距离的大小可以得到数据应该属于哪个类别，下面是主要的流程图

simclr的定义

下图是进行训练了两个步骤得到的结果，

rget= tensor([2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
        2, 2, 2, 2, 2, 2, 2, 2])
target= tensor([2, 2, 2, 2, 2, 2, 2, 2, 2, 2,