FixMatch文章解读+算法流程+核心代码详解

FixMatch

本博客仅做算法流程疏导，具体细节请参见原文

原文

查看原文点这里

Github代码

Github代码点这里

解读

FixMatch算法抓住了半监督算法的两个重要观点，第一个是一致性正则化，第二个是伪标记。一致性正则化在MixMatch中已经介绍过了，在此不再赘述。伪标记是一种常用的半监督算法。

伪标记

伪标记（pseudo label）其实算最早的一类半监督算法，代表算法self-training。简单地说就是通过训练的模型对无标记样本打标签，这个标签有对有错，通过一些方法筛选标签后，选择一部分无标记样本和模型打的标签一起送入模型继续训练。伪标记的方法最大问题在于，如何保证伪标记的正确性。因为当模型打的标签提供了较多的错误信息时，会使模型的训练结果更劣。一般常见的筛选方式是将模型输出的预测结果($Softmax$之后)进行阈值判断，其$argmax$的概率大于阈值，才认为是有效标记，否则将此无标记样本丢弃。

整体算法

FixMatch算法并不复杂，结合一致性正则化和伪标记两种算法。由其论文中的流程图就可以很好的理解。

对于有标记样本，进行正常的监督学习，损失函数为$CrossEntropyLoss$​，得到$L_s$​。其公式表达如下：

$L_s=\frac{1}{B}{\sum }_{b=1}^{B}H(p_b,p_m(y|\alpha (x_b)))$

对于无标记样本，参照上图，共四步。

第一步，先对无标记样本进行扩增(Augment)，扩增分为强扩增和弱扩增，弱扩增使用标准的旋转和移位；强扩增使用RandAugment和CTAugment两种算法。

第二步，对扩增后的样本进行预测。对于弱扩增的样本，输出的预测结果($Softmax$之后的)最高预测概率(即$argmax$的结果)大于阈值(图中的虚线)，则认为是有效的样本，将其预测结果作为标签（这就是pseudo label）。

第三步：对强扩增的样本，输出的预测结果和对应弱标记样本得到的标签做$CrossEntropyLoss$​，得到损失函数$L_u$​。其公式表达为：

$L_u=\frac{1}{\mu B}{\sum }_{b=1}^{\mu B}1(max(q_b)\ge \tau )H(\widehat{q_b},p_m(y|\mathcal{A}(u_b)))$

简而言之就是选择$max(q_b)\ge \tau$的$H(\widehat{q_b},p_m(y|\mathcal{A}(u_b))$作为$L_u$的组成成分，参与反向梯度传播更新。​

第四步：最终损失函数为$Loss=L_s+\alpha L_u$，$\alpha$是超参数。

对$Loss$反向梯度传播完成整个算法模型更新。

核心代码解读

这里读取一个batch的操作，和前一篇MixMatch的代码实现相同，为了读取指定次数的batch，而不通过Dataloader。

for batch_idx in range(args.eval_step):
    try:
        inputs_x, targets_x = labeled_iter.next()
    except:
        if args.world_size > 1:
            labeled_epoch += 1
            labeled_trainloader.sampler.set_epoch(labeled_epoch)
        labeled_iter = iter(labeled_trainloader)
        inputs_x, targets_x = labeled_iter.next()

    try:
        (inputs_u_w, inputs_u_s), _ = unlabeled_iter.next()
    except:
        if args.world_size > 1:
            unlabeled_epoch += 1
            unlabeled_trainloader.sampler.set_epoch(unlabeled_epoch)
        unlabeled_iter = iter(unlabeled_trainloader)
        (inputs_u_w, inputs_u_s), _ = unlabeled_iter.next()

得到strong_augment样本和weak_augment样本，分别为logits_u_s和logits_u_w。

logits = model(inputs)
logits = de_interleave(logits, 2*args.mu+1)
logits_x = logits[:batch_size]
logits_u_w, logits_u_s = logits[batch_size:].chunk(2)

对有标记样本做$CrossEntropyLoss$

 Lx = F.cross_entropy(logits_x, targets_x, reduction='mean')

通过weak_augment样本计算伪标记pseudo label和mask，其中，mask用来筛选哪些样本最大预测概率超过阈值，可以拿来使用，哪些不能使用

pseudo_label = torch.softmax(logits_u_w.detach()/args.T, dim=-1)
max_probs, targets_u = torch.max(pseudo_label, dim=-1)
mask = max_probs.ge(args.threshold).float()

计算无标记样本的损失函数$L_u$，其中通过mask进行样本筛选

Lu = (F.cross_entropy(logits_u_s, targets_u, reduction='none') * mask).mean()

完整损失函数如下

loss = Lx + args.lambda_u * Lu

反向梯度更新，完成！~