翻译自:
建议阅读原文
https://towardsdatascience.com/a-framework-for-contrastive-self-supervised-learning-and-designing-a-new-approach-3caab5d29619
近来，一系列“新颖”的自监督学习领域算法取得了不错的成果，如：AMDIM[2]，CPC[3]，Moco[5]，SimCLR[4]，BYOL[6]等。YADIM[1]设计了一个框架来表达对比性自我监督学习方法，受该框架启发，本文从4个方面了分析近来的对比自监督算法：CPC，AMDIM，MOCO，SimCLR和BYOL，并表明尽管这些方法在表面上看起来有所不同，但实际上它们彼此之间都是细微的调整。
在此博客中，我们将：
实作
您可以找到我们在PyTorch Lightning中实现的本文中介绍的所有增强功能和方法，这将使您能够在任意硬件上进行训练，并使每种方法的并排比较更加容易。
AMDIM
BYOL
CPC V2 (only verified implementation outside of DeepMind to our knowledge).
Moco V2
SimCLR
回想一下，在监督学习中，系统被赋予输入（x）和标签（y），
在自监督学习中，仅给定系统（x），而系统学习的不是（y），而是“学会根据输入的其他部分来预测其输入的一部分”
实际上，这种表达方式是多样化的，可以创造性地“分解”输入内容， 这些策略称为 pretext tasks。研究人员尝试了各种方法，这里举三个示例：（1）预测两个斑块的相对位置，（2）解决拼图游戏，（3）给图像着色。
尽管上述方法充满创意，但实际上在实践中效果并不理想。
然而，当使用对比学习的最新方法时，自监督学习已经开始明显缩小在ImageNet上与监督学习之间的差距。
大多数机器学习算法背后的基本思想是，相似的示例应该组合在一起，并且与其他群集相距甚远。
这个想法是最早进行对比学习的著作之一，即“区别学习相似性度量，并应用于人脸验证”（Chopra等人于2004年提出）
下图说明了这个主要思想：
对比学习通过使用三个关键要素来实现这一目标，即正样本，锚点和负样本表示。 要创建一个正对，我们需要两个相似的例子，而对于负对，我们要使用一个不相似的例子。
但是在自监督学习中，我们不知道示例的标签。因此，无法知道两个图像是否相似。 假设存在大小为N的数据集中，每个图像都是其自己的类别，那么就可以使用数据增强来生成这些三元组(the positive and negative pair)。
