合作教学

NeurIPS 2018：合作教学——使用极噪声标签稳健训练深度神经网络（PyTorch 实现）。

NeurIPS 2018 中的另一项相关工作：

掩码：噪声监督的新视角

代码地址：https://github.com/bhanML/Masking

========

这是论文的代码： 合作教学：使用极噪声标签稳健训练深度神经网络
Han Bo*、Yao Quanming*、Yu Xingrui、Niu Gang、Xu Miao、Hu Weihua、Tsang Ivor、Sugiyama Masashi
将在 NeurIPS 2018 上发表。

如果您在研究中使用了此代码并认为它有所帮助，请引用以下文献：

@inproceedings{han2018coteaching,
  title={Co-teaching: Robust training of deep neural networks with extremely noisy labels},
  author={Han, Bo and Yao, Quanming and Yu, Xingrui and Niu, Gang and Xu, Miao and Hu, Weihua and Tsang, Ivor and Sugiyama, Masashi},
  booktitle={NeurIPS},
  pages={8535--8545},
  year={2018}
}

环境配置

所有代码均在配备 NVIDIA K80 GPU 的单机上开发和测试。环境配置如下：

• CentOS 7.2
• CUDA 8.0
• Python 2.7.12（Anaconda 4.1.1 64 位）
• PyTorch 0.3.0.post4
• numpy 1.14.2

可通过以下命令安装 PyTorch：

pip install http://download.pytorch.org/whl/cu80/torch-0.3.0.post4-cp27-cp27mu-linux_x86_64.whl

在基准数据集上运行合作教学（MNIST、CIFAR-10 和 CIFAR-100）

以下是一个示例命令：

python main.py --dataset cifar10 --noise_type symmetric --noise_rate 0.5 

性能表现

(翻转类型, 噪声率)	MNIST	CIFAR-10	CIFAR-100
(成对, 45%)	87.58%	72.85%	34.40%
(对称, 50%)	91.68%	74.49%	41.23%
(对称, 20%)	97.71%	82.18%	54.36%

联系方式：Yu Xingrui（xingrui.yu@student.uts.edu.au）；Han Bo（bo.han@riken.jp）。

自动机器学习

请查看合作教学的自动化机器学习（AutoML）版本：

• 从损坏标签中学习时利用记忆效应的搜索方法。ICML 2020 论文 代码

Co-teaching 快速上手指南

Co-teaching 是一种针对带有极高噪声标签数据的深度神经网络鲁棒训练方法，发表于 NeurIPS 2018。本指南基于官方 PyTorch 实现整理。

环境准备

本项目原始代码在以下环境中开发和测试，建议尽量匹配该环境以确保兼容性（特别是 PyTorch 0.3.0 和 Python 2.7）：

• 操作系统: CentOS 7.2 (或其他 Linux 发行版)
• GPU: NVIDIA K80 (支持 CUDA 8.0)
• CUDA 版本: 8.0
• Python 版本: 2.7.12 (推荐 Anaconda 4.1.1 64-bit)
• 核心依赖:
  • PyTorch 0.3.0.post4
  • numpy 1.14.2

注意：由于代码基于较旧的 Python 2.7 和 PyTorch 0.3 编写，若需在现代环境运行，可能需要对代码进行适配修改。

安装步骤

1. 配置 Python 环境
   建议使用 conda 创建独立的 Python 2.7 环境：

   conda create -n coteaching python=2.7.12 anaconda=4.1.1
   conda activate coteaching
   

2. 安装 PyTorch
   根据官方要求安装特定版本的 PyTorch (CUDA 8.0)：

   pip install http://download.pytorch.org/whl/cu80/torch-0.3.0.post4-cp27-cp27mu-linux_x86_64.whl
   

   注：若国内下载速度慢，可尝试寻找国内镜像源缓存的 wheel 文件，或手动下载后本地安装。

3. 安装其他依赖
   确保 numpy 版本符合要求：

   pip install numpy==1.14.2
   

4. 获取代码
   克隆项目仓库（假设已下载源码到本地）：

   git clone https://github.com/bhanML/Co-teaching.git
   cd Co-teaching
   

基本使用

以下命令展示了如何在基准数据集（如 CIFAR-10）上运行 Co-teaching。该示例设置为对称噪声（symmetric），噪声比例为 50%。

python main.py --dataset cifar10 --noise_type symmetric --noise_rate 0.5

参数说明：

• --dataset: 选择数据集，支持 mnist, cifar10, cifar100。
• --noise_type: 噪声类型，支持 symmetric (对称噪声) 或 pair (成对噪声)。
• --noise_rate: 噪声比率 (0.0 到 1.0 之间)。

运行后，模型将开始训练并输出对应的准确率结果。更多实验配置可参考原文中的性能表格调整噪声类型和比率。