一、监督学习 半监督学习
1、监督学习
监督学习：数据样本 xxx 都有对应的一个已知的输出标签yyy
使用监督学习训练一个模型，测试数据能使用该模型预测出准确的标签
监督学习的常见任务包括分类（预测离散标签）和回归（预测连续值）。
2、半监督学习
半监督学习：数据样本xxx没有对应的输出标签yyy
主要结合了监督学习和无监督学习的元素，利用少量带标签数据和大量无标签的数据进行预训练，当监督学习模型稳定、置信度一致时，可以将该模型用于半监督学习
在半监督学习中，损失函数通常包含两部分：监督损失（基于带标签数据）和无监督损失（基于无标签数据）。
二、无监督学习
无监督学习：只有数据样本xxx
无监督的方法：
1、机器学习：聚类 ：将数据集的样本划分成若干个分组，使得每一个分组内的样本彼此相似、而不同的样本彼此不同，如K-means； 降维 ：减少数据的特征维度，同时尽可能保留重要信息，如：主成分分析
2、深度学习：生成对抗式网络、自监督学习
1、生成对抗网络 GAN
GAN：generative adversarial Network
主要有两种部分组成：生成器（类似假钞机）generator； 判别器（类似验钞器）discriminator
一个小故事：
刚开始造假钱的工厂技术很差，造出来的假币一眼就能识别，也就辨别器很容易就能辨别）但随着训练的进行，造假者不断改进技术，判别器技术也变得越来越好，双方技术你追我赶技术都在提高，最终造假者能造出连最先进的判别器都分不清真假的假币
2、CycleGAN
输入一张真实的图像（比如抖音上一个很火的变二次元的特效就是这个），真人照片与训练图库进行对比，提取特征，最终输出一张二次元照片，还能够通过反向生成器近似还原真人
cycleGan 与Gan 的区别
Gan：很老旧：生成器只有一个，不能还原原图，输入数据是一个随机的噪声。
CycleGan：可以还原原图
3、自监督学习
没有标注标签，自己作为自己监督的信号也就是自己给自己出题，自己给自己打分。
主要是学习到一个强大的特征编码器，用于下游任务
（1）对比学习
对比学习：学会辨认同一类事物；相同特诊样本靠近，不同样本远离
很像消消乐
（2）生成式自监督
学习并重构原始输入；
encoder：编码器；
decoder：解码器
比如压缩文件也是有压缩工具和解压缩工具
比如使用马赛克遮住某些图片内容，模型能够根据剩余信息还原整个图
比如：黑白照片经过模型后变成有颜色的照片
特征分离
将图片的特征进行分割提取：风格和内容，随后可以将特征进行融合组建
