SimCLR凭借着几个trick和豪气冲天的GPU/TPU把MOCO干趴了
扭头MOCO就用SimCLR的trick干了回去，
SimCLR，你在TPU上练的死劲不管用了！
MOCO v1
详见https://blog.csdn.net/weixin_42764932/article/details/112768710
MOCO v2
1. Projection Head
咱也在encoder之后增加了一个非线性映射
ImageNet linear classification accuracy:
MLP 对ImageNet 任务提升明显，从60.6%->66.2%
Table 1（a）shows its detection results: in contrast to the big leap on ImageNet, the detection gains are smaller.看来VOC detection提升不大
没关系，这才是热身，接着来
2. augmentation
看Table 1（b）
单独使用数据增强方法（引入新的blur augmentation）,对linear classification 的准确率提高低于MLP， 但是在VOC detection的表现却更好，说明两任务之间的提升并不是单调一致的。
通过加入模糊增强来扩展原来的增强(我们发现，在更高的基线中，更强的颜色失真的增益正在减小)。
3. MLP、aug+二者结合
继续提升
4. a cosine (half-period) learning rate schedule
使用新的学习率方法在ImageNet 有小幅度提升，对detection任务有小幅下降。
增大训练的epoch可以提升两个任务的结果。
对比
使用200个epoch和256个批大小的预训练，
MoCo v2在ImageNet上达到了67.5%的精度:
这是比SimCLR在相同epoch、相同批大小下的结果高出5.6%，也优于SimCLR大批次的结果66.6%。
凭借800-epoch预训练，MoCo v2的成绩达到71.1%，超过了拥有1000个epoch的SimCLR的69.3%。
健身房练的死劲不好使了
节能环保