标签平滑(label smoothing)的通俗理解

具体公式和思想可以看

https://www.cnblogs.com/itmorn/p/11254448.html

先说结果：说白了，这个平滑就是一定程度缩小label中min和max的差距，label平滑可以减小过拟合。

　　深度学习中的损失函数Loss实际上就是鼓励模型去接近对应的label，越接近loss越小，巴不得label为1的时候output是0.999。。。

但是这样真的好吗？或者说，是不是太过了，尤其针对像交叉熵这类loss，一旦output有些偏差，loss值就往无穷大走了，就逼迫模型去接近真实的label。

　　万一好不容易接近label了，结果这条training data还是错的（是很有可能的）,或者training data并没有完整覆盖所有类型，那就必须过拟合了，好比拼命学会的公式如果本来就是错的，或者你做了100道学习三角函数的题目，结果就做了2题几何题，那等你考试（test data）时候遇到几何题老想着把三角函数思想带入，那肯定得崩。

　　所以，适当调整label，让两端的极值往中间凑凑，可以增加泛化性能

　　对于DL：过犹不及，90就优秀了，为啥还要追求100？