目录

对比学习 理解，我推荐这篇博客：

python代码实现：

自监督学习cvpr2022推荐

SimCLR 2021

对比学习 理解，我推荐这篇博客：

对比学习（Contrastive Learning） - 知乎

python代码实现：

import torch
import torch.nn.functional as F

# 定义对比损失函数
def contrastive_loss(y, x1, x2, margin=1.0):
    # 计算x1和x2之间的欧氏距离
    dist = F.pairwise_distance(x1, x2)
    
    # 计算对比损失。当y=1时，损失是dist的平方；当y=0时，损失是margin和dist的差的平方（但至少为0）
    loss = y * torch.pow(dist, 2) + (1 - y) * torch.pow(torch.clamp(margin - dist, min=0.0), 2)
    
    # 返回损失的平均值
    return torch.mean(loss)

# 生成模拟数据
x1 = torch.randn(100, 128)  # 生成100个随机向量，每个向量的维度是128
x2 = torch.randn(100, 128)  # 同上
y = torch.randint(0, 2, (100,))  # 生成100个随机标签，值为0或1

# 使用模拟数据计算损失
loss = contrastive_loss(y, x1, x2)

自监督学习cvpr2022推荐

CVPR无监督/自监督学习(Un/Self-supervised Learning)方向论文学习（附摘要）_crafting better contrastive views for siamese repr-CSDN博客

SimCLR 2021

在SimCLR的自监督表征上训练的线性分类器达到了76.5%的最高精度，比之前的SOTA相对提高了7%，已经赶上有监督学习的ResNet-50了。当仅对1%的标签进行微调时，实现了85.8%的前5名精度，以少100倍的标签胜过AlexNet。

https://github.com/sthalles/SimCLR
 

DALL-E 2

DALL-E 2是一款人工智能图像生成器，它可以根据自然语言的文本描述创建图像和艺术形式。换句话说，它是一个根据文本生成图像的人工智能系统。