fixmatch
FixMatch 是一种专为数据稀缺场景设计的半监督学习算法实现。它旨在解决机器学习中标注数据获取成本高、数量少，而未标注数据却大量存在的难题，帮助开发者在仅有少量标注样本的情况下，依然能训练出高性能的深度学习模型。
该工具主要适合人工智能研究人员、算法工程师以及对半监督学习感兴趣的开发者使用。通过运行 FixMatch，用户可以轻松复现论文中的实验结果，并在 CIFAR-10、SVHN、ImageNet 等主流数据集上验证模型效果。其代码库提供了完整的数据集预处理脚本和灵活的训练配置，支持多 GPU 并行加速，方便进行大规模实验。
FixMatch 的核心技术亮点在于“简化”与“稳健”。它巧妙结合了“一致性正则化”与“高置信度筛选”机制：通过对未标注数据进行强增强扰动，并仅保留模型预测置信度高的样本作为伪标签参与训练，有效降低了噪声干扰。这种方法不仅大幅简化了传统半监督学习的复杂流程，还在多个基准测试中达到了当时的最先进水平（SOTA），是探索小样本学习潜力的有力工具。
使用场景
某医疗影像初创团队正在开发肺炎筛查模型，但面临标注成本极高、专家资源稀缺的困境，手中仅有 40 张确诊 X 光片，却拥有数万张未标注的临床影像数据。
没有 fixmatch 时
- 模型无法收敛：仅靠 40 张标注图片训练深度学习模型，导致严重的过拟合，模型在测试集上几乎随机猜测，无法投入实际使用。
- 标注成本失控：为了达到可用的准确率，团队被迫聘请放射科医生手工标注数千张图片，项目预算迅速超支且周期被拉长数月。
- 数据利用率低：海量未标注的临床数据只能被闲置浪费，无法辅助模型学习医学影像的通用特征分布。
- 调参难度极大：尝试传统的半监督学习方法时，需要手动平衡有标签和无标签数据的损失权重，过程繁琐且效果不稳定。
使用 fixmatch 后
- 小样本高性能：利用 fixmatch 的一致性正则化和置信度阈值机制，仅用 40 张标签结合大量未标注数据，模型准确率直接媲美全监督训练上千张数据的效果。
- 大幅降低成本：团队无需再进行大规模人工标注，将原本需要数月的标注工作缩减为几天，显著节省了资金和时间成本。
- 激活沉睡数据：成功将仓库中数万张未标注的 X 光片转化为有效的训练信号，让模型学到了更鲁棒的肺部纹理特征。
- 部署简单高效：只需一行命令指定标签数量（如
cifar10.3@40-1类似的参数逻辑），fixmatch 自动处理复杂的半监督学习流程，无需人工干预超参数平衡。
fixmatch 的核心价值在于它打破了“高质量模型依赖海量标注数据”的传统瓶颈，让企业在极低的数据标注成本下也能构建出生产级的 AI 应用。
运行环境要求
- Linux
需要 NVIDIA GPU（通过 CUDA_VISIBLE_DEVICES 变量控制），具体型号和显存大小未说明，需安装 CUDA 驱动以支持脚本运行
未说明
快速开始
FixMatch
论文代码：由 Kihyuk Sohn、David Berthelot、Chun-Liang Li、Zizhao Zhang、Nicholas Carlini、Ekin D. Cubuk、Alex Kurakin、Han Zhang 和 Colin Raffel 撰写的“FixMatch：通过一致性与置信度简化半监督学习”（arXiv:2001.07685）。
本项目并非 Google 官方支持的产品。
环境设置
重要提示：ML_DATA 是一个 shell 环境变量，应指向数据集的安装路径。更多详情请参阅“安装数据集”部分。
安装依赖
sudo apt install python3-dev python3-virtualenv python3-tk imagemagick
virtualenv -p python3 --system-site-packages env3
. env3/bin/activate
pip install -r requirements.txt
安装数据集
export ML_DATA="您希望保存数据集的路径"
export PYTHONPATH=$PYTHONPATH:"FixMatch 代码所在路径"
# 下载数据集
CUDA_VISIBLE_DEVICES= ./scripts/create_datasets.py
cp $ML_DATA/svhn-test.tfrecord $ML_DATA/svhn_noextra-test.tfrecord
# 创建无标签数据集
CUDA_VISIBLE_DEVICES= scripts/create_unlabeled.py $ML_DATA/SSL2/svhn $ML_DATA/svhn-train.tfrecord $ML_DATA/svhn-extra.tfrecord &
CUDA_VISIBLE_DEVICES= scripts/create_unlabeled.py $ML_DATA/SSL2/svhn_noextra $ML_DATA/svhn-train.tfrecord &
CUDA_VISIBLE_DEVICES= scripts/create_unlabeled.py $ML_DATA/SSL2/cifar10 $ML_DATA/cifar10-train.tfrecord &
CUDA_VISIBLE_DEVICES= scripts/create_unlabeled.py $ML_DATA/SSL2/cifar100 $ML_DATA/cifar100-train.tfrecord &
CUDA_VISIBLE_DEVICES= scripts/create_unlabeled.py $ML_DATA/SSL2/stl10 $ML_DATA/stl10-train.tfrecord $ML_DATA/stl10-unlabeled.tfrecord &
wait
# 创建半监督子集
for seed in 0 1 2 3 4 5; do
for size in 10 20 30 40 100 250 1000 4000; do
CUDA_VISIBLE_DEVICES= scripts/create_split.py --seed=$seed --size=$size $ML_DATA/SSL2/svhn $ML_DATA/svhn-train.tfrecord $ML_DATA/svhn-extra.tfrecord &
CUDA_VISIBLE_DEVICES= scripts/create_split.py --seed=$seed --size=$size $ML_DATA/SSL2/svhn_noextra $ML_DATA/svhn-train.tfrecord &
CUDA_VISIBLE_DEVICES= scripts/create_split.py --seed=$seed --size=$size $ML_DATA/SSL2/cifar10 $ML_DATA/cifar10-train.tfrecord &
done
for size in 400 1000 2500 10000; do
CUDA_VISIBLE_DEVICES= scripts/create_split.py --seed=$seed --size=$size $ML_DATA/SSL2/cifar100 $ML_DATA/cifar100-train.tfrecord &
done
CUDA_VISIBLE_DEVICES= scripts/create_split.py --seed=$seed --size=1000 $ML_DATA/SSL2/stl10 $ML_DATA/stl10-train.tfrecord $ML_DATA/stl10-unlabeled.tfrecord &
wait
done
CUDA_VISIBLE_DEVICES= scripts/create_split.py --seed=1 --size=5000 $ML_DATA/SSL2/stl10 $ML_DATA/stl10-train.tfrecord $ML_DATA/stl10-unlabeled.tfrecord
ImageNet
用于 ImageNet 实验的代码位于 imagenet 子目录。
运行
设置
所有命令必须从项目根目录运行。需定义以下环境变量：
export ML_DATA="您希望保存数据集的路径"
export PYTHONPATH=$PYTHONPATH:.
示例
例如，在 cifar10 数据上训练一个具有 32 个滤波器的 FixMatch 模型，使用 seed=3 的随机打乱方式，40 个有标签样本和 1 个验证样本：
CUDA_VISIBLE_DEVICES=0 python fixmatch.py --filters=32 --dataset=cifar10.3@40-1 --train_dir ./experiments/fixmatch
可用的有标签样本数量为：10、20、30、40、100、250、1000、4000。
验证样本数量为：1 或 5000。
可选的随机打乱种子为：1、2、3、4、5，以及 0 表示不打乱（实践中通常会打乱数据，以确保梯度下降能够正常工作）。
多 GPU 训练
只需指定更多的 GPU，FixMatch 就会自动扩展到这些 GPU 上。例如，将 GPU 4–7 分配给程序：
CUDA_VISIBLE_DEVICES=4,5,6,7 python fixmatch.py --filters=32 --dataset=cifar10.3@40-1 --train_dir ./experiments/fixmatch
命令行参数
python fixmatch.py --help
# 以下选项可能过于耗时，实际应用中不太可行。
# python fixmatch.py --helpfull
# 因此，我使用以下方法查找可用的参数：
fgrep -R flags.DEFINE libml fixmatch.py
--augment 参数需要稍作说明。它由三个值组成，例如 d.d.d：
- 第一个
d表示应用于有标签样本的数据增强。 - 第二个
d表示应用于弱增强无标签样本的数据增强。 - 第三个
d表示应用于强增强无标签样本的数据增强。对于强增强，d后面会跟CTAugment，对应于fixmatch.py及其cta/文件夹中的代码。
有效的数据集名称
for dataset in cifar10 svhn svhn_noextra; do
for seed in 0 1 2 3 4 5; do
for valid in 1 5000; do
for size in 10 20 30 40 100 250 1000 4000; do
echo "${dataset}.${seed}@${size}-${valid}"
done; done; done; done
for seed in 1 2 3 4 5; do
for valid in 1 5000; do
echo "cifar100.${seed}@10000-${valid}"
done; done
for seed in 1 2 3 4 5; do
for valid in 1 5000; do
echo "stl10.${seed}@1000-${valid}"
done; done
echo "stl10.1@5000-1"
监控训练进度
您可以将 TensorBoard 指向训练文件夹（默认为 --train_dir=./experiments），以监控训练过程：
tensorboard.sh --port 6007 --logdir ./experiments
检查模型准确率
我们在论文中计算了最后 20 个检查点的中位数准确率，具体代码如下：
# 继续之前的 cifar10.3@250-5000 训练示例，提取准确率：
./scripts/extract_accuracy.py ./experiments/fixmatch/cifar10.d.d.d.3@40-1/CTAugment_depth2_th0.80_decay0.990/FixMatch_archresnet_batch64_confidence0.95_filters32_lr0.03_nclass10_repeat4_scales3_uratio7_wd0.0005_wu1.0/
上述命令会在模型文件夹中生成一个 stats/accuracy.json 文件。该文件采用 JSON 格式，您可以将其作为文本文件查看，也可以根据需要进行进一步处理。
添加数据集
您可以通过以下步骤将自定义数据集添加到代码库中：
- 在
scripts/create_datasets.py中添加一个用于获取数据集的函数，类似于现有的_load_cifar10函数。您需要调用_encode_png函数，将原始图像转换为编码字符串。新创建的函数应返回一个字典，格式如下：{ 'train': {'images': <编码后的 4D NHWC>, 'labels': <1D 整数数组>}, 'test': {'images': <编码后的 4D NHWC>, 'labels': <1D 整数数组>} } - 使用上述函数作为加载器，将该数据集添加到
scripts/create_datasets.py中的CONFIGS变量中。现在您可以运行create_datasets脚本，以生成对应的数据集 TFRecord 文件。 - 使用
create_unlabeled和create_split脚本，按照“安装数据集”部分中的说明，创建未标注和不同划分方式的 TFRecord 文件。 - 在
libml/data.py的create_datasets函数中添加您的数据集。为该数据集指定的“label”必须与您创建的数据集划分方式相匹配。如果您的数据集类别数不是 10 类，或分辨率及通道数不是 32x32x3，则还需要相应地指定相关变量。 - 在
libml/augment.py中，将您的数据集添加到DEFAULT_AUGMENT变量中。“s”、“m”、“ms”分别代表镜像、平移以及镜像加平移这三种数据增强操作。
引用本工作
@article{sohn2020fixmatch,
title={FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence},
author={Kihyuk Sohn and David Berthelot and Chun-Liang Li and Zizhao Zhang and Nicholas Carlini and Ekin D. Cubuk and Alex Kurakin and Han Zhang and Colin Raffel},
journal={arXiv preprint arXiv:2001.07685},
year={2020},
}
版本历史
TF12020/12/16常见问题
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
gemini-cli
gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。 这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。 它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备
Deep-Live-Cam
Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。 这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。 其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。