label smoothing
背景:当我们将交叉熵损失函数用于分类任务的时候,我们期望真实的标签为1,而其他虚假的标签为0。换句话来说,我们认为原始数据的标注是准确无误的。但是,真实情况并不是这样,在某些领域,或者使用一些数据增强的方法时,都会存在着一些标注错误的问题出现。
因此,label smoothing的方法可以降低我们对于标签的信心,比如我们将损失目标的值从1降低到0.9,当然与此同时我们需要稍微增加一下其他label(label==0)的目标值。这种方法被称为标签平滑。
操作方式:
import tensorflow as tf
tf.keras.losses.binary_crossentropy(y_true,y_pred,from_logits = False, label_smoothing=0)
"""
当label_smoothing 参数非0时, 指数平滑为 1/num_classes
new_onehot_labels = onehot_labels * (1-label_smoothing) + label_smoothing / num_classes
比如而分类任务中,label_smoothing = 0.2时
new_labels = [0 1] * (1-0.2) + 0.2/2 = [0 1] * (0.8) + 0.1
new_labels = [0.1, 0.9]
"""
# 或者可以直接设置即可
train[np.where(y==0)] = 0.1
train[np.where(y==1)] = 0.9
一般来说,我们将0,1看作true or false。 而设置为0.1和0.9则可以看作,此情况存在可能性很低,此情况存在情况很大。但是使用这样的标签,在训练的过程中,同时导致了更小的梯度,因此我并不确定这个方法是否在程序中会起到作用。
通过实验对比可以看出,在有错误标签存在的情况下,确实是可以拥有更好的结果当然,这个平滑指数α需要去搜索才能得到最佳值,默认值0.1在大多数情况下效果很好。
Reference
1.https://arxiv.org/pdf/1906.02629.pdf
2.https://www.flixstock.com/label-smoothing-an-ingredient-of-higher-model-accuracy/
3.https://medium.com/@nainaakash012/when-does-label-smoothing-help-89654ec75326
4.https://www.kaggle.com/shahules/tackle-with-label-smoothing-proved