MixMatch

这是一个 MixMatch: 一种半监督学习的整体方法 的非官方 PyTorch 实现。 官方的 TensorFlow 实现可以在 这里 找到。

目前仅提供了在 CIFAR-10 数据集上的实验结果。

该仓库仔细实现了官方实现中的重要细节，以复现其结果。

需求

• Python 3.6+
• PyTorch 1.0
• torchvision 0.2.2（较旧版本与此代码不兼容）
• tensorboardX
• progress
• matplotlib
• numpy

使用方法

训练

使用 CIFAR-10 数据集中 250 个标注数据训练模型：

python train.py --gpu <gpu_id> --n-labeled 250 --out cifar10@250

使用 CIFAR-10 数据集中 4000 个标注数据训练模型：

python train.py --gpu <gpu_id> --n-labeled 4000 --out cifar10@4000

监控训练进度

tensorboard.sh --port 6006 --logdir cifar10@250

结果（准确率）

标注样本数	250	500	1000	2000	4000
论文	88.92 ± 0.87	90.35 ± 0.94	92.25 ± 0.32	92.97 ± 0.15	93.76 ± 0.06
本代码	88.71	88.96	90.52	92.23	93.52

（本代码的结果基于单次运行评估。后续将更新使用不同随机种子进行的 5 次运行的结果。）

参考文献

@article{berthelot2019mixmatch,
  title={MixMatch: A Holistic Approach to Semi-Supervised Learning},
  author={Berthelot, David and Carlini, Nicholas and Goodfellow, Ian and Papernot, Nicolas and Oliver, Avital and Raffel, Colin},
  journal={arXiv preprint arXiv:1905.02249},
  year={2019}
}

MixMatch-pytorch 快速上手指南

MixMatch 是一种半监督学习算法，本项目是其非官方的 PyTorch 实现，旨在复现原论文在 CIFAR-10 数据集上的实验结果。

环境准备

在开始之前，请确保您的系统满足以下要求。特别注意 torchvision 的版本兼容性。

• 操作系统: Linux / macOS / Windows
• Python: 3.6 或更高版本
• PyTorch: 1.0 或更高版本
• Torchvision: 必须为 0.2.2 (其他版本可能导致代码不兼容)
• 其他依赖:
  • tensorboardX
  • progress
  • matplotlib
  • numpy

国内加速建议：安装 Python 包时，推荐使用清华或阿里镜像源以提升下载速度。

安装步骤

1. 创建虚拟环境（推荐）

   python -m venv mixmatch_env
   source mixmatch_env/bin/activate  # Windows 用户使用: mixmatch_env\Scripts\activate
   

2. 安装核心深度学习框架 请根据您的 CUDA 版本前往 PyTorch 官网 获取安装命令。若需指定 torchvision 版本，可参考以下示例：

   pip install torch==1.0.0 torchvision==0.2.2 -i https://pypi.tuna.tsinghua.edu.cn/simple
   

3. 安装其他依赖库

   pip install tensorboardX progress matplotlib numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
   

4. 克隆项目代码

   git clone <项目仓库地址>
   cd MixMatch-pytorch
   

基本使用

本项目目前仅支持 CIFAR-10 数据集的实验。以下是训练模型和监控进度的最简示例。

1. 训练模型

使用 250 个标记样本进行训练（将 <gpu_id> 替换为您的显卡编号，如 0）：

python train.py --gpu <gpu_id> --n-labeled 250 --out cifar10@250

若使用 4000 个标记样本进行训练：

python train.py --gpu <gpu_id> --n-labeled 4000 --out cifar10@4000

2. 监控训练进度

启动 TensorBoard 查看损失曲线和准确率变化：

tensorboard.sh --port 6006 --logdir cifar10@250

启动后，在浏览器中访问 http://localhost:6006 即可看到可视化图表。