- 博客(3)
- 收藏
- 关注
原创 论文阅读——Mean teachers are better role models
Temporal Ensembling方法通过预测的标签的EMA(exponential moving average),并且通过保证ensemle 模型和 trained模型预测标签的连续一致性,从而保证训练得到的ensemle模型尽可能的接近groud truth模型。这里可以理解为,如果如果模型是正确的,那么前后两个模型的预测标签应该是接近的,并且变化较小的,那么使模型向使两个模型预测结果接近的方向移动,就是向groudtruth model移动。这种方法,每一个epoch标签数据仅仅会改变一次,对于
2021-10-25 18:39:33 649
原创 论文阅读——Temporal Ensembling for Semi-Supervised Learning
作者:Laine, Samuli, and Timo Aila年份: ICLR 2017Github: https://github.com/smlaine2/tempens2. Self-Ensembling During Training提出了两种集成训练方法,分别为Π-model和temporal ensembling2.1 Π-model
2021-10-24 16:47:03 1242
原创 论文阅读—Pseudo-Label : The Simple and Efficient Semi-Supervised Learning Method for Deep Neural Network
2. Pseudo-Label Method for Deep2.2. Denoising Auto-Encoder2.2.1自动编码器(AutoEncoder)*参考 https://www.cnblogs.com/neopenx/p/4370350.html*自动编码器基于这样一个事实:原始input(设为x)经过加权(W、b)、映射(Sigmoid)之后得到y,再对y反向加权映射回来成为z。通过反复迭代训练两组(W、b),使得误差函数最小,即尽可能保证z近似于x,即完美重构了x。那么可以
2021-08-17 21:16:54 2792
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人