什么是标签平滑？在PyTorch中如何去使用它？
在训练深度学习模型的过程中，过拟合和概率校准(probability calibration)是两个常见的问题。一方面，正则化技术可以解决过拟合问题，其中较为常见的方法有将权重调小，迭代提前停止以及丢弃一些权重等。另一方面，Platt标度法和isotonic regression法能够对模型进行校准。但是有没有一种方法可以同时解决过拟合和模型过度自信呢?
标签平滑也许可以。它是一种去改变目标变量的正则化技术，能使模型的预测结果不再仅为一个确定值。标签平滑之所以被看作是一种正则化技术，是因为它可以防止输入到softmax函数的最大logits值变得特别大，从而使得分类模型变得更加准确。
在这篇文章中，我们定义了标签平滑化，在测试过程中我们将它应用到交叉熵损失函数中。
标签平滑？
假设这里有一个多分类问题，在这个问题中，目标变量通常是一个one-hot向量，即当处于正确分类时结果为1，否则结果是0。
标签平滑改变了目标向量的最小值，使它为ε。因此，当模型进行分类时，其结果不再仅是1或0，而是我们所要求的1-ε和ε，从而带标签平滑的交叉熵损失函数为如下公式。
在这个公式中，ce(x)表示x的标准交叉熵损失函数，例如：-log(p(x))，ε是一个非常小的正数，i表示对应的正确分类，N为所有分类的数量。
直观上看，标记平滑限制了正确类的logit值，并使得它更接近于其他类的logit值。从而在一定程度上，它被当作为一种正则化技术和一种对抗模型过度自信的方法。
PyTorch中的使用
在PyTorch中，带标签平滑的交叉熵损失函数实现起来非常简单。首先，让我们使用一个辅助函数来计算两个值之间的线性组合。
deflinear_combination(x, y, epsilon):return epsilon*x + (1-epsilon)*y
下一步，我们使用PyTorch中一个全新的损失函数：nn.Module.
import torch.nn.functional as F
defreduce_loss(loss, reduction='mean'):return loss.mean() if reduction=='mean'else loss.sum() if reduction=='sum'else loss
classLabelSmoothingCrossEntropy(nn.Module):def__init__(self, epsilon:float=0.1, reduction='mean'):
super().__init__()
self.epsilon = epsilon
self.reduction = reduction
defforward(self, preds, target):
n = preds.size()[-1]
log_preds = F.log_softmax(preds, dim=-1)
loss = reduce_loss(-log_preds.sum(dim=-1), self.reduction)
nll = F.nll_loss(log_preds, target, reduction=self.reduction)
return linear_combination(loss/n, nll, self.epsilon)
我们现在可以在代码中删除这个类。对于这个例子，我们使用标准的fast.ai pets example.
from fastai.vision import *
from fastai.metrics import error_rate
# prepare the data
path = untar_data(URLs.PETS)
path_img = path/'images'
fnames = get_image_files(path_img)
bs = 64
np.random.seed(2)
pat = r'/([^/]+)_\d+.jpg$'
data = ImageDataBunch.from_name_re(path_img, fnames, pat, ds_tfms=get_transforms(), size=224, bs=bs) \
.normalize(imagenet_stats)
# train the model
learn = cnn_learner(data, models.resnet34, metrics=error_rate)
learn.loss_func = LabelSmoothingCrossEntropy()
learn.fit_one_cycle(4)
最后将数据转换成模型可以使用的格式，选择ResNet架构并以带标签平滑的交叉熵损失函数作为优化目标。经过四轮循环后，其结果如下
我们所得结果的错误率仅为7.5%，这对于10行左右的代码来说是完全可以接受的，并且在模型中大多数参数还都选择的是默认设置。
因此，在模型中还有许多参数可以进行调整，从而使得模型的表现性能更好，例如：可以使用不同的优化器、超参数、模型架构等。
结论
在这篇文章中，我们了解了什么是标签平滑以及什么时候去使用它，并且我们还知道了如何在PyTorch中实现它。之后，我们训练了一个先进的计算机视觉模型，仅使用十行代码就识别出了不同品种的猫和狗。
模型正则化和模型校准是两个重要的概念。若想成为一个深度学习的资深玩家，就应该好好地去理解这些能够对抗过拟合和模型过度自信的工具。
作者简介： Dimitris Poulopoulos，是BigDataStack的一名机器学习研究员，同时也是希腊Piraeus大学的博士。曾为欧盟委员会、欧盟统计局、国际货币基金组织、欧洲央行等客户设计过与AI相关的软件。
