半监督方法-前记:Π模型,Temporal Ensembling,Mean-Teacher

参考的B站视频:https://www.bilibili.com/video/BV1HK4y1M7jm/
注:B站视频在Mean-teacher这部分的讲解有小错误,本笔记已修改。
伪代码可见:http://t.csdn.cn/GdBnv
此笔记用于理解原理。

1.简单的理解

简单的讲,对于半监督模型,数据中有无标签数据和有标签数据,对于所有的数据,我们可以先将数据进行聚类,然后每一类中,既有无标签数据,又有有标签数据,因此,该聚类中的无标签数据的标签就赋予为有标签数据的标签。
以上是一个简单的思想,先不考虑复杂情况,基本思想就是:相似的样本有相似的标签。

2. Π模型

在这里插入图片描述
在这里插入图片描述

3.Temporal Ensembling

在这里插入图片描述
相较于Π模型,Temporal Ensembling 对无标签数据减少了一次计算,因此速度快了一倍。
在这里插入图片描述
EMA:
在这里插入图片描述
具体的公式:
在这里插入图片描述

得到:
在这里插入图片描述
然后讲1个epoch的所有加起来,得到loss。
注:第一次只使用labeled data,不用计算均方损失。

4 Mean-Teacher

在这里插入图片描述
以上图片来源:http://t.csdn.cn/xArk4
算法流程:
参考:http://t.csdn.cn/IYNOt
在这里插入图片描述
在这里插入图片描述

上图中的L2为:
在这里插入图片描述(教师模型的预测—学生模型的预测)²x:样本特征值;θ:神经网络的参数;η:教室/学生模型的噪声

  1. 教师模型不反向传播更新参数,当student反向传播更新参数后,通过EMA更新参数。 也就是:
    在这里插入图片描述

  2. 所有的损失为:有标签数据集学生模型下和真实label的loss(L1)+有标签和无标签数据通过学生模型和教师模型后,两模型结果之间的loss(L2)

  • 1
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值