【机器学习】机器学习的基本分类-自监督学习-对比学习（Contrastive Learning）

对比学习是一种自监督学习方法，其目标是学习数据的表征（representation），使得在表征空间中，相似的样本距离更近，不相似的样本距离更远。通过设计对比损失函数（Contrastive Loss），模型能够有效捕捉数据的语义结构。

核心思想

对比学习的关键在于：

正样本（Positive Pair）：具有相似语义或来源的样本对，例如同一图像的不同增强版本。
负样本（Negative Pair）：语义不同或来源不同的样本对，例如不同图像。

通过对比正负样本对，模型能够学习区分不同数据点的特征。

方法流程

数据增强：对一个样本 x 应用两种不同的增强方法，生成 $x_1, x_2$ ，作为正样本对。
特征提取：通过编码器（如卷积神经网络）将数据映射到潜在特征空间，得到表征 $z_1, z_2$ 。
对比损失：设计损失函数，使正样本对的表征距离最小化，负样本对的表征距离最大化。

对比学习的损失函数

1. 对比损失（Contrastive Loss）

对比损失鼓励正样本对的距离更小，负样本对的距离更大。

$L = \frac{1}{N} \sum_{i=1}^N \left[ y_i \cdot d(z_i, z_j)^2 + (1 - y_i) \cdot \max(0, m - d(z_i, z_j))^2 \right]$

$y_i$ ：样本对是否为正样本（1 表示正样本，0 表示负样本）。
$d(z_i, z_j)$ ：样本对在表征空间中的距离（通常使用欧氏距离）。
m：负样本对的最小距离（margin）。

2. InfoNCE 损失

用于最大化正样本对的相似性，同时将负样本对的相似性最小化。

$L = - \log \frac{\exp(\text{sim}(z_i, z_j) / \tau)}{\sum_{k=1}^{N} \exp(\text{sim}(z_i, z_k) / \tau)}$

$\text{sim}(z_i, z_j) = \frac{z_i \cdot z_j}{\|z_i\| \|z_j\|}$ ：余弦相似度。
$\tau$ ：温度参数，用于控制分布的平滑程度。
N：批量中样本数量。

典型方法

1. SimCLR

SimCLR 是对比学习的经典方法之一：

核心思想：通过数据增强生成正样本对，并利用 InfoNCE 损失函数进行优化。
数据增强：随机裁剪、颜色抖动、模糊等。

2. MoCo（Momentum Contrast）

通过维护一个动态更新的“字典”，解决负样本数量不足的问题。

核心思想：使用动量编码器（momentum encoder）生成更多的负样本。

3. BYOL（Bootstrap Your Own Latent）

无需显式的负样本，通过自回归（self-prediction）学习特征表征。

核心思想：一个在线网络（Online Network）和一个目标网络（Target Network）协同训练。

4. SWAV（Swapping Assignments Between Views）

结合聚类和对比学习，利用图像的多视图表征。

核心思想：通过在线分配伪标签，避免显式使用负样本。

示例代码：SimCLR

以下是一个实现 SimCLR 的示例代码：

import tensorflow as tf
from tensorflow.keras import layers, models


# 图像增强函数
def augment_image(image):
    image = tf.image.random_flip_left_right(image)
    image = tf.image.random_crop(image, size=(32, 32, 3))
    image = tf.image.random_brightness(image, max_delta=0.5)
    return image


# 定义编码器
def create_encoder():
    base_model = tf.keras.applications.ResNet50(include_top=False, pooling='avg', input_shape=(32, 32, 3))
    return models.Model(inputs=base_model.input, outputs=base_model.output)


# SimCLR 模型
class SimCLRModel(tf.keras.Model):
    def __init__(self, encoder, projection_dim):
        super(SimCLRModel, self).__init__()
        self.encoder = encoder
        self.projection_head = tf.keras.Sequential([
            layers.Dense(256, activation='relu'),
            layers.Dense(projection_dim)
        ])

    def call(self, x):
        features = self.encoder(x)
        projections = self.projection_head(features)
        return tf.math.l2_normalize(projections, axis=1)


# 构建模型
encoder = create_encoder()
simclr_model = SimCLRModel(encoder, projection_dim=128)


# InfoNCE 损失
def info_nce_loss(features, temperature=0.5):
    batch_size = tf.shape(features)[0]
    labels = tf.range(batch_size)
    similarity_matrix = tf.matmul(features, features, transpose_b=True)
    logits = similarity_matrix / temperature
    return tf.reduce_mean(tf.keras.losses.sparse_categorical_crossentropy(labels, logits, from_logits=True))


# 训练
(X_train, _), _ = tf.keras.datasets.cifar10.load_data()
X_train = tf.image.resize(X_train, (32, 32)) / 255.0


def preprocess_data(image):
    return augment_image(image), augment_image(image)


train_data = tf.data.Dataset.from_tensor_slices(X_train)
train_data = train_data.map(preprocess_data).batch(32)

optimizer = tf.keras.optimizers.Adam(learning_rate=1e-3)

for epoch in range(10):
    for x1, x2 in train_data:
        with tf.GradientTape() as tape:
            z1 = simclr_model(x1)
            z2 = simclr_model(x2)
            loss = info_nce_loss(tf.concat([z1, z2], axis=0))
        gradients = tape.gradient(loss, simclr_model.trainable_variables)
        optimizer.apply_gradients(zip(gradients, simclr_model.trainable_variables))
    print(f"Epoch {epoch + 1}, Loss: {loss.numpy()}")

输出结果

Epoch 1, Loss: 3.465735912322998
Epoch 2, Loss: 3.465735912322998
Epoch 3, Loss: 3.465735912322998
Epoch 4, Loss: 3.465735912322998
Epoch 5, Loss: 3.465735912322998