问题
交叉熵训练时会自动往减小误差函数的方向,即驱使自身往正确标签和错误标签差值最大的方向学习,在训练数据不足以表征所有样本特征的情况下,这就会导致网络过拟合。
解决
one-hot硬编码形式的标签会导致过拟合,而label smoothing是一种正则化策略,通常用于分类问题,通过soft one-hot 标签来引入噪声,减小了真实样本标签的类别在计算损失函数时的权重,从而改善泛化能力差的问题。
对于分类问题,传统的one-hot编码的标签向量为:
而label smoothing结合了均匀分布,用更新的标签向量来替换传统的one-hot编码的标签向量:
其中K为多分类的类别总个数,是一个较小的超参数(一般取0.1),即
这样,标签平滑后的分布就相当于往真实分布中加入了噪声,避免模型对于正确标签过于自信,使得预测正负样本的输出值差别不那么大,从而避免过拟合,提高模型的泛化能力。