SimCLR V2論文速覽——筆記

原講解視頻地址

真誠的向大家推薦這個(gè)UP主,論文講述的方法清楚淀歇,脈絡(luò)清晰,聽君一席話勝讀十年書虏辫。

論文題目:Big Self-Supervised Models are Strong Semi-Supervised Learners(SimCLR v2)

論文地址:http://arxiv.org/abs/2006.10029

代碼:https://github.com/google-research/simclr

前序講解論文:SimCLR

真諦:換了更大的模型倘要,取得了更好的performance。(作者肯定不會這么說类少,所以增加了知識蒸餾的部分叙身。)

在非監(jiān)督的環(huán)境下,訓(xùn)練好一個(gè)大的模型硫狞,然后按照有監(jiān)督的方法進(jìn)行finetune信轿,得到強(qiáng)的分類器。然后用這個(gè)分類器教小的網(wǎng)絡(luò)残吩,這樣我們就可以使用低成本將大量沒有標(biāo)記的數(shù)據(jù)财忽,還有訓(xùn)練好的大的網(wǎng)絡(luò)的知識,灌入小的網(wǎng)絡(luò)中泣侮。

目錄:1.Methodology 2.Results & conclusion

1. Methodology

本文提出的模型分為三個(gè)部分即彪。

(1)首先是將SimCLR作為backbone,將沒有標(biāo)記的樣本放入大的CNN中(這個(gè)CNN就是用于做pretrain活尊,并沒有做具體的優(yōu)化)相對于原作而言 1.增大了CNN 2. 作者加入了幾層hidden layers到projection MLP中隶校。對比學(xué)習(xí)部分使用的依舊是contrastive loss,與原作一樣的loss函數(shù)蛹锰。經(jīng)過這一步我們可以得到unsupervised pretraining惠况。

(2)加入label。針對image classification任務(wù)做fine-tuning宁仔。這一步是標(biāo)準(zhǔn)的有監(jiān)督的學(xué)習(xí)稠屠。這一步之后我們可以得到一個(gè)很強(qiáng)的classifier,也即是teacher network翎苫。

(3)然后使用teacher network教一個(gè)尺寸比較小的权埠,專門用來做classification的網(wǎng)絡(luò)。具體來說就是teacher network在unlabeled data上生成Pseudo label煎谍,并作為ground truth攘蔽。輸入給student network。

具體在知識蒸餾這一步我們使用什么樣的loss呢呐粘?

圖1 loss

是典型的cross enropy满俗。里面的概率也是與softmax非常接近的转捕,其中的temperature是超參。不僅僅可以用teacher network中產(chǎn)生的label唆垃,也可以輸入gt(ground truth)讓student network判斷五芝。結(jié)合知識蒸餾的loss和gt的loss,就可以構(gòu)成一個(gè)完整的loss辕万。\alpha就是這兩項(xiàng)的trade off枢步。

2. Result

圖2 結(jié)果圖

模型越大效果越好,label使用的效率越高渐尿。

圖3 結(jié)果圖

隨著projection head的層數(shù)增加效果會逐漸變好醉途。(尤其是在label較少的情況下。)

從哪里開始fine-tune砖茸?

實(shí)驗(yàn)驗(yàn)證隘擎,從第一層hidden layer開始比直接從representation開始效果好。但是如果使用的樣本很多凉夯,還是從representation開始效果好货葬。

圖4

distillation 使用unlabel的data可以提升準(zhǔn)確率。(distillation起到了重要的作用)

圖5

附錄有許多有意思的發(fā)現(xiàn)恍涂,可以讀讀。

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末植榕,一起剝皮案震驚了整個(gè)濱河市再沧,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌尊残,老刑警劉巖炒瘸,帶你破解...
    沈念sama閱讀 211,817評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異寝衫,居然都是意外死亡顷扩,警方通過查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,329評論 3 385
  • 文/潘曉璐 我一進(jìn)店門慰毅,熙熙樓的掌柜王于貴愁眉苦臉地迎上來隘截,“玉大人,你說我怎么就攤上這事汹胃∩舭牛” “怎么了?”我有些...
    開封第一講書人閱讀 157,354評論 0 348
  • 文/不壞的土叔 我叫張陵着饥,是天一觀的道長犀农。 經(jīng)常有香客問我,道長宰掉,這世上最難降的妖魔是什么呵哨? 我笑而不...
    開封第一講書人閱讀 56,498評論 1 284
  • 正文 為了忘掉前任赁濒,我火速辦了婚禮,結(jié)果婚禮上孟害,老公的妹妹穿的比我還像新娘拒炎。我一直安慰自己,他們只是感情好纹坐,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,600評論 6 386
  • 文/花漫 我一把揭開白布枝冀。 她就那樣靜靜地躺著,像睡著了一般耘子。 火紅的嫁衣襯著肌膚如雪果漾。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 49,829評論 1 290
  • 那天谷誓,我揣著相機(jī)與錄音绒障,去河邊找鬼。 笑死捍歪,一個(gè)胖子當(dāng)著我的面吹牛户辱,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播糙臼,決...
    沈念sama閱讀 38,979評論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼庐镐,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了变逃?” 一聲冷哼從身側(cè)響起必逆,我...
    開封第一講書人閱讀 37,722評論 0 266
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎揽乱,沒想到半個(gè)月后名眉,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 44,189評論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡凰棉,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,519評論 2 327
  • 正文 我和宋清朗相戀三年损拢,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片撒犀。...
    茶點(diǎn)故事閱讀 38,654評論 1 340
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡福压,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出或舞,到底是詐尸還是另有隱情隧膏,我是刑警寧澤,帶...
    沈念sama閱讀 34,329評論 4 330
  • 正文 年R本政府宣布嚷那,位于F島的核電站胞枕,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏魏宽。R本人自食惡果不足惜腐泻,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,940評論 3 313
  • 文/蒙蒙 一决乎、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧派桩,春花似錦构诚、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,762評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至员魏,卻和暖如春丑蛤,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背撕阎。 一陣腳步聲響...
    開封第一講書人閱讀 31,993評論 1 266
  • 我被黑心中介騙來泰國打工受裹, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人虏束。 一個(gè)月前我還...
    沈念sama閱讀 46,382評論 2 360
  • 正文 我出身青樓棉饶,卻偏偏與公主長得像,于是被迫代替她去往敵國和親镇匀。 傳聞我的和親對象是個(gè)殘疾皇子照藻,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,543評論 2 349

推薦閱讀更多精彩內(nèi)容