## 分开答案来源、预测任务和惩罚方式

## 解释、算例与证据

# P06 · 没有类别标签，不等于没有学习目标

把“自监督、分类、交叉熵”放回不同维度，后面才不会用方法名替代完整学习链。



图内标签与数值：P06 学习表示机制图，状态 1；有监督分类；人工类别答案；预测类别；视图对应；指定视图配对；选择对应；隐藏内容预测；原图隐藏像素；预测像素；自监督说信号从哪里来；对比与重建说任务怎样构造。

分类图片、同图两裁剪、遮挡网格三种输入分别连接人工类别、指定配对和原图像素目标。

- 有监督分类
- 人工类别答案
- 预测类别
- 视图对应
- 指定视图配对
- 选择对应
- 隐藏内容预测
- 原图隐藏像素
- 预测像素
- 自监督说信号从哪里来；对比与重建说任务怎样构造。分类图片、同图两裁剪、遮挡网格三种输入分别连接人工类别、指定配对和原图像素目标。 [查看对应图解状态](/#/l3-r2-p06/0)[查看完整图解](/course/figures/l3-r2-p06-0.html)

## 课堂讲述

把刚才的问题整理一下。有监督分类使用人工类别答案；自监督则从数据中构造目标，例如判断两个视图是否对应，或者预测被隐藏的内容。它们仍然可以使用分类式或回归式的损失，仍然通过误差来调整参数。
因此，自监督说的是监督信号怎样获得；对比学习说的是怎样比较样本；重建说的是预测什么。这几个词不在同一个分类维度上，不能排成互相替代的三个版本。
今天先沿两条路线走深：利用视图对应关系学习，以及利用缺失内容预测学习。我们要看到的不只是它们不用类别标签，还要看到研究者怎样通过任务设计，要求表示保留某些区别、忽略另一些变化。


### 监督来源、预测任务与损失要分开
[独立阅读](/course/blocks/source-task-loss-three-axes.html)
“自监督”说明目标怎样取得；“分类”说明输出怎样组织；“交叉熵”说明怎样惩罚预测。这是三个维度，不是互斥方法名。人工类别标签可以训练softmax分类，从同图视图身份构造的标签也可以训练softmax分类；两者都能用交叉熵。



对比学习的一题是“候选中哪一个和查询同源”；遮挡重建的一题是“这个隐藏位置原来是什么像素”。它们都从数据构造目标，却要求保留不同结构。目标不是“没有答案”，只是答案不是额外写下的类别名称。



判断一个实验时，依次写出输入、目标的取得过程、模型输出、损失和最终评价。若只写“用了自监督”，还不知道它学到了什么；若写出完整链条，就能发现有没有把隐藏真值意外送入输入，或把训练损失当成另一项任务的成绩。


## 沿这个问题继续

选LAB 06或LAB 08之一，标出输入、目标来源、输出、损失、读出；不需要两本同时完成。


#### 按问题回查的讲解与短练习（1）
**出处：**[S1 · 教材与出处](/course/round2-sources.html#S1) · [S2 · 教材与出处](/course/round2-sources.html#S2)
#### 这条线索的展开与后续阅读

- [回到图像，先决定让它学什么](/supplement.html?return=l3-r2-p06/0#/l3-vision-targets/0) 本页说明
- [监督预算不是图像数量｜什么结论还不能推出](/supplement.html?return=l3-r2-p06/0#/l3-supervision-budget-boundary/0) L03补充阅读