label smoothing: 像L1、L2和dropout一样,是机器学习领域的一种正则化方法,通常用于分类问题,目的是防止模型在训练时过于自信地预测标签,改善泛化能力差的问题。防止过拟合,提升模型的泛化能力。
原来的真实值是是目标就为1不是目标就为0
经过平滑后的标签在是目标时接近1而不是目标时接近0,这样会让模型不那么自信,提高模型的泛化能力(正则化手段)
标签平滑(Label Smoothing)详解
Label-Smoothing
mixup: 一种具有正则化能力(防止过拟合)的数据增强手段
label smooth/mixup——深度学习中的一种防止过拟合方法