本文主要是介绍[论文理解] Understanding self-supervised and contrastive learning with "Bootstrap Your Own Latent&q，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

Understanding self-supervised and contrastive learning with "Bootstrap Your Own Latent" (BYOL)

Intro

主要探讨一下BYOL的问题，其他略过，文章发现了BYOL的成功似乎还是没有逃过负样本的使用，提出BYOL其实利用BatchNorm隐式的使用到了负样本的假说，并且有实验来作证。

Findings

本文的起因是一个实验，实验发现，BYOL的MLP层的BatchNorm尤为重要，当这一层失去BatchNorm层，结果就很差：

而跟BYOL差别很小的MOCO(BYOL基础上使用了负样本)的方法MLP层不加BatchNorm却没有这一问题，于是作者开始怀疑，BYOL的成功和MLP层的BatchNorm层有着千丝万缕的关系。

既然BatchNorm层有问题，那到底是Batch出了问题还是Norm出了问题？

验证一下是不是Norm出了问题（有无norm导致），则可以用LayerNorm试试看。而如果是Batch出了问题，则可能是BatchNorm的Batch在计算过程中泄漏了整个Batch的样本信息，导致可能隐式地起到加上负样本的作用，当然，到目前为止只是一个直觉上的猜测。

从上表的实验可以看出，两个MLP层都失去BatchNorm之后结果和random差不多，替换成LayerNorm也没有帮助结果提升，因此我们需要进一步思考一下，BatchNorm是否泄漏了负样本的信息以及是如何泄漏的。

文章提出了一个假说，认为BatchNorm的作用是防止其作用之后的输出为常量，从而避免了模型的输出坍缩到一个定值。这个说法很直观，因为BatchNorm作用后的输出满足固定方差而不是0方差，所以一定不可能是常量，因而避免了collapse。非0方差强行使得batch内的样本具有一定的距离拉开作用，而最终的loss会使得positive pair有拉近的作用，综合这两者的作用其实是和使用负样本有异曲同工之妙。

为了验证假说，文章测试了一下不使用BatchNorn的层的输出结果，的确不同样本的结果都高度相似，因此的确是出现了collapse。（感觉这个实验不能证明BatchNorm的是防止坍缩，只能证明去掉BatchNorm确实发生了坍缩，这一块感觉只有有理论证明才比较有说服力。。）

补充实验

这个实验是encoder使用BatchNorm下的实验，第一说明了即便MLP层没有BN，也在训练了一段时间后避免了collapse(前10epochs发生了collapse，但是后来好了)，这一块有点尴尬，之前的实验都是在10epoch的时候看的结果得出的BatchNorm防止collapse的结论，但这里又训练的更长，又发现collapse随着训练的进行又可能被训练“修正”，侧面其实说明前面的实验不太严谨。。但是这里可以看出，MLP没有BatchNorm的效果要比又BatchNorm差一些，这一点精度的降低可能来自BatchNorm层去掉造成了优化变差，也可能是本文提出的假说即BN去掉之后防止模型collapse的能力下降。但使用LARS优化器之后MLP层不使用BN，精度却上升了，我感觉侧面支持了BatchNorm去掉是优化能力下降导致精度降低的，当然这里面也可能是两种作用的综合，所以这个实验的说服力不是很强。。。

这个实验是encoder层使用GN的情况下MLP层使用不同归一化的训练效果，GN不跨batch，如果MLP层不加BN，则效果不行，但是却又可以用LARS优化器调参调上去，这条绿色的线我觉得已经说明优化的重要性了，显然BN在这里的作用更多的是帮助优化，但并不能太多的支持本文提出的假说，但也不能否定本文提出的假说，因为毕竟LARS优化上去的效果和加了BN的差距还是有的，说不定这点gap就是本文带来的。此外，这一实验还有一点，仅仅最后的MLP加上BN而前面不用BN效果就可以避免collapse，这一块又支持了本文的假说，mode collapse的确能够通过加上BN大大缓解，因为如果支持BN在这里主要起帮助优化作用而非本文的假说，那么前面的层不用BN而是GN的优化效果应该仅仅比蓝色的线好一点，而非好这么多，因为使用BN的层仅仅就一两层，一两层的BN对整个参数空间的优化提升应该没有这么大吧？

所以，从这个实验看，我支持BN不仅会带来优化上的提升，而且也支持本文提出的假说。因为BYOL成功的原因很可能是这两者共同起作用，而非仅仅本文的假说。

这一实验探究了weight decay对collapse的影响，weight decay也能帮助模型跳出collapse，但是需要的时间可能会比较长(本实验中是100epoch左右)。

这一实验探究了GN对collapse的影响，也有可能帮助模型跳出collapse，说明collapse虽然可能发生，但还是有机会跳过的（我觉得这里补充一下BN的训练过程图和这图的对比比较有说服力，如果BN的训练过程完全不发生坍缩则进一步作证了本文观点）。

综上，BYOL成功感觉更像是很多调参的综合影响，影响collapse的参数是在过多，从实用角度上并不实用；本文提出的假说的确能够通过实验一定程度上得到证明，但BYOL成功的因素却不仅仅是因为BN。

这篇关于[论文理解] Understanding self-supervised and contrastive learning with "Bootstrap Your Own Latent&q的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！