1.6 不监督，也学习的我

虽然有人监督着我，我才能更好地学习，但是我也不是非得有人盯着才知道上进。有时候人类也会偷懒，这时我就得靠自觉学习了。没有人类监督的学习，也叫自监督学习。

那么接下来我再说一下自监督学习吧。

自监督学习

顾名思义，这个助理有点懒，它不大爱管身边的学生。

自监督学习（Self-supervised Learning）是一种无须人工标注数据，能利用自身数据内部信息进行学习的机器学习方法。相较于传统的监督学习，自监督学习不需要人类手动标记数据。

虽然自监督学习这个助理有点懒，但并不代表它就没有优点，下图即呈现了它的特点。

实际上，自监督并非不管理，而是让人工智能自己管理自己，从而允许人类在一边睡大觉。

想象一下，我就相当于一个探险家，站在一座神秘的岛屿上。虽然这里的动物、植物和地貌都是如此陌生，但人类给我下达的任务就是学会这个岛上的一切。

在这个奇妙的岛屿上，人类老师没有告诉我这是什么，那是什么。我必须依靠自己的观察和直觉来学习和理解这个奇怪的新世界。这就好比自监督学习中的监督信号是来自数据本身，而不是人工标注的标签。

为了在这个岛上生存下去，我需要找到一些有效的学习策略。我会注意到岛上的某些动物总是在一起出现，或者某种植物只在某个特定的环境中生长。这些观察就像是自监督学习中的特定任务或技巧，帮助我从数据中生成监督信号。

后来，我开始学会利用这些模式来理解这个世界。例如，我学会了通过观察一棵树和树叶的形状来判断它是否有水源。在自监督学习中，这就像是我利用数据中的内在结构和模式来训练模型，而不需要任何人工干预。

综上，自监督学习就像是让硅基成为一位聪明的探险家，在未知的数据岛屿上寻找隐藏的知识宝藏，而不需要依赖外部的指导。通过这种方式，模型能够自主地学习，发掘出新世界的奥秘。

不过，虽然在自监督学习中没有人工提供的标签，但模型仍然会受到一定程度的监督。

假设有一个未标记的图像数据集，其中的图像可以旋转一定角度。模型会将旋转前的图像作为输入，将旋转后的图像作为输出。接下来，模型便可以利用神经网络进行训练，尝试预测出输入图像的旋转角度，并最终得到一个能够预测图像旋转角度的模型。

下面是上述步骤的简单流程图。

在这里，自监督学习的监督信号来自旋转前后图像之间的关系。虽然训练数据没有明确的标签信息，但是通过数据本身的一些特征，可以构造出一些监督信号来指导模型训练。自监督学习的核心思想，就是利用数据本身的特征来进行监督学习。

可以说，自监督学习这个助理非常聪明，善于教育。它只是一开始给了我一些指引，然后自己就去偷懒睡大觉了。

而我呢？一直忙！