1. 概述
Label Smoothing（标签平滑），像 L1、L2 和 Dropout 一样，是一种正则化方法，通常用于分类问题，目的是防止模型在训练时过于自信地预测标签，改善泛化能力差的问题（也是解决错误标注的一种方法）。
2. Label Smoothing
公式如下：
y’_i表示在原标签基础上修改后的标签值，y_i为原标签值。以二分类为例，原标签值为[0,1]，经过计算之后，标签值就变为了[0.05,0.95]。简单来说就是把label给重置了一下。
以Cross Entropy为例;
解释如下：
上面提到y’_i为修改后的标签值，那么我们可以在原来Cross Entropy Loss的基础上将原来的标签y_i替换为y’_i，即将上面的公式带入到Cross Entropy Loss中，化简之后为(1-ε)H(y,p)+εH(u,p)，即在原来loss的基础上又增加了一项。
● 通俗理解：
通俗理解：这个平滑就是一定程度缩小 label 中 min 和 max 的差距，label 平滑可以减 小过拟合，深度学习中的 Loss 实际上就是鼓励模型去接近对应的 label，越接近 Loss 越小。 但是这样真的好吗？或者说，是不是有点过了，尤其针对像交叉熵这类 Loss，一旦 output 有些偏差，Loss 值就往无穷大去了，就逼迫模型去接近真实的 label。万一好不容易接近 label 了，结果这条 training data 还是错的（是很有可能的），或者 training data 并没有完整覆盖所 有类型，那就必须过拟合了。所以，适当调整 label，让两端的极值往中间凑，可以增加泛 化能力。
3. 示例
假设有一批数据在神经网络最后一层的输出值和他们的真实标签
out = np.array([[4.0, 5.0, 10.0], [1.0, 5.0, 4.0], [1.0, 15.0, 4.0]])
y = np.array([[0, 0, 1], [0, 1, 0], [0, 1, 0]])
直接计算softmax交叉熵损失：
res = tf.losses.softmax_cross_entropy(onehot_labels=y, logits=out, label_smoothing=0)
print(tf.Session().run(res))
结果为：0.11191821843385696
使用标签平滑后：
res2 = tf.losses.softmax_cross_entropy(onehot_labels=y, logits=out, label_smoothing=0.001)
print(tf.Session().run(res2))
结果为：0.11647378653287888
可以看出，损失比之前增加了，他的标签平滑的原理是对真实标签做了改变，