主要内容：
1. 何为对比
2. 如何构造正负样本
3. 对比学习loss
4. 对比学习loss代码
1. 何为对比
「对比学习」属于无监督学习的一种，即给一堆数据，没有标签，自己学习出一种特征表示。
我们知道的无监督方法有聚类(迭代地更新聚类中心，让属于同一类的样本更近，不同类的样本更远)，自编码器(输入x->特征隐层编码->解码恢复出x'，让x'和x接近)，那对比学习又是怎么个操作，怎么构建loss反向传播呢？
对比学习，关键是「对比」，根据聚类和自编码器的思想，对比应该也是有A和B更近，A和C更远这种比较性的思想的。所以关键在于如何拿到B和C。（其实聚类也算是一种对比）
何为对比？
2. 如何构造正负样本
深度学习时代万物皆可创造，没有数据也能造出来数据，最简单的构造样本的方式是这样的：
先来看B，B和A是更近的样本，学名叫“正样本”，怎么造B？只要跟A很像就行了呀，这不就是数据增强吗？拿图片来说，图片旋转、剪切等增加方式都可以往上堆了。文本也有很多增强方式，比如回译(英文-翻译成中文-再翻译回英文)，相似词替换等等。
图像正样本构造方法(来自文献[1])
C是和A不像的样本，学名叫“负样本”，最简单粗暴直接的方式就是其他样本都是负样本，因为其他样本和它长的不一样。
3. 对比学习loss
那loss函数其实和聚类思想一样了，A的特征和正样本的距离近，和其他样本的距离远。训练的时候一般会用两个encoder(如ResNet)分别对样本A和它的正负样本提取特征，再分布映射到新的表示空间(比如采用MLP层)，在这个空间里根据对比loss训练模型参数。
end-to-end对比学习方式[2]
对比学习常用loss——InfoNCE [2]
其中q就是我们的样本A的特征，k+是正样本，k_i是其他样本。
具体使用的时候，最直接最简单粗暴的训练方式是：以采用一种数据扩增为例，一个batch为N的训练样本，通过数据扩增，变成了2N个样本，其中有1个正样本，2N-2个负样本。
常用的loss:
NT-Xent loss，全称为Normalized Temperature-scaled Cross Entropy Loss
来自[1]simCLR
一个batch 有N 个样本，两条分支就有2N个samples。对于一个anchor样本i，除了对应的augmented image和自己，其余2N-2个都是负样本。分子是正样本之间的相似度，分母是负样本之间相似度。
最终的Loss是每个batch里所有样本对的loss和求平均。
代码实现：
对比损失的PyTorch实现详解_Adenialzz的博客-CSDN博客_对比损失
对比学习Python实现_Reacubeth的博客-CSDN博客_python 对比学习
