1.迭代与周期
迭代不代表周期。
2.curriculum监督
2.1 伪标签
伪标签Pseudo-Labeling （PL）是半监督学习中常用的方法，核心思路是 "用已训练的模型给未标记数据'贴标签'，再用这些'伪标签数据 + 真实标签数据'一起训练模型"
使用伪标签训练步骤： 1)用少量真实标记数据 （比如 10% 带标签的图像）训练一个初始模型称 为 "教师模型" 。2)用这个初始模型对大量未标记数据（比如 90% 无标签的图像预 测，将 "预测概率最高的类别" 作为这些未标记数据的 "伪标签"。3）把 "真实标签数据 + 筛选后的高置信度伪标签数据" 混合，重新训练模型（更新模型参数），完成一个 "自训练周期"。4）重复步骤 2-3：用新训练的模型再生成一批伪标签，继续混合训练，直到模型性能稳定。
伪标签训练缺点： 若初始模型有偏差（比如对 "狗" 的预测准确率低），生成的伪标签会带有错误；而后续训练又用这些错误伪标签更新参数，会导致偏差不断累积------ 这就是下文要提的 "概念漂移"。
2.1 课程标签curriculum labeling(CL)
两大特点从训练方式上解决之前伪标签训练遇到的"一错再错问题"，分别为：
1）课程学习原则： 模仿人类 "从易到难" 的学习逻辑，先让模型用 "简单的未标记数据" （即模型预测置信度极高、几乎不会错的数据，比如预测 "猫" 概率 99% 的数据）生成伪标签并训练；随着模型能力提升，再逐步引入 "较难的未标记数据"（比如预测置信度 85% 的数据），减少错误伪标签的干扰。
2）周期前参数重启 ：每次开始新的自训练周期前，不沿用上个周期训练后的模型参数 ，而是重新加载 "初始模型的参数"（或基于真实标签数据重新训练一个干净的初始模型），再用这个 "无偏差的初始模型" 去生成当前周期的伪标签，之后结合 "课程学习" 筛选数据并训练。
3.启用梯度检查点（Gradient Checkpointing）
解决问题：GPU训练使用显存过大
问题产生原因： 当模型极深（比如 GPT-3、ViT-L）或批次量很大时，前向传播会产生海量中间激活值 ，这些数据会占满 GPU 显存，导致训练中断（报 OOM 错误）。而梯度检查点的核心就是 "牺牲少量计算时间，换取显存空间"。
使用步骤：不保存所有中间激活值，只选择性保存部分 "检查点" 位置的激活值；反向传播时，对非检查点的层，重新计算其激活值，而非直接读取显存中的缓存。
示例：
4.训练模型输出图片偏黄/偏绿
问题示例：
问题分析原因 ：核心是图像数据的归一化 / 反归一化逻辑错误 、颜色通道处理不当 或模型训练偏差导致的像素值分布异常。
**解决方法：**1. 自动检测归一化范围并正确反归一化（[-1,1]/[0,1]/[0,255]）
-
BGR→RGB 通道转换
-
添加通道均衡损失约束颜色分布
-
禁用插值缩放，使用原始图像尺寸保存