Label Smooth

在常见的多分类问题中，先经过softmax处理后进行交叉熵计算，原理很简单可以将计算loss理解为，为了使得网络对测试集预测的概率分布和其真实分布接近，常用的做法是使用one-hot对真实标签进行编码，作者认为这种将标签强制one-hot的方式使网络过于自信会导致过拟合，因此软化这种编码方式。

等号左侧：是一种新的预测的分布

等号右侧：前半部分是对原分布乘一个权重， 是一个超参，需要自己设定，取值在0到1范围内。后半部分u是一个均匀分布，k表示模型的类别数。

由以上公式可以看出，这种方式使label有  概率来自于均匀分布，  概率来自于原分布。这就相当于在原label上增加噪声，让模型的预测值不要过度集中于概率较高的类别，把一些概率放在概率较低的类别。

因此，交叉熵可以替换为：

可以理解为：loss为对“预测的分布与真实分布”及“预测分布与先验分布（均匀分布）”的惩罚。

Mixup

mixup是一种非常规的数据增强方法，一个和数据无关的简单数据增强原则，其以线性插值的方式来构建新的训练样本和标签。最终对标签的处理如下公式所示，这很简单但对于增强策略来说又很不一般。

公式：

由以上公式可以看出，同时对输入x及其对应label y做增强，对两张图片做融合，同时对他们的label做融合，其中  是一个融合比例取值范围为0到1，由beta分布（ 和  计算时相等，即都取  ）计算得到。

需要注意的是，yi，yj都是one-hot编码的label。

Reference

label smooth、mixup理解

深度学习 | 训练网络trick——mixup