大多数人初步了解标签平滑的方式（以及关于该主题的最常见解释必须说什么）在人们如何解决这个问题方面发挥着重要作用。

乍一看，标签平滑正是顾名思义：我们修改标签或其中的一部分以获得更好、更通用、更健壮的模型。我们不希望模型从极端的置信水平中学习（然后用它来预测）是有道理的，尤其是当我们知道某些标签是错误的时，因为这会损害模型在看不见的数据上执行的能力。因此，LS 机制的直观解释是，我们没有为模型提供纯 1 和 0，而是使用较少置信度的值，从而导致更保留的决策函数不会以极端方式外推。现在，我们知道平滑标签不是真正的标签，所以在这一点上出现了主要问题——一旦我们训练了平滑标签，我们是否也使用平滑标签进行验证？

如果您将 LS 纯粹视为一种数据操作技术，则上述问题的答案并不明显，因为根据论点，它可能是双向的。但是，必须记住，LS 几乎总是被视为一种正则化技术——你自己在问题中提到了这一点——这是有充分理由的。根据定义，正则化是用一个额外的正则化项扩展损失函数，这通常与惩罚有关。在 LS 中，这个惩罚项负责惩罚高置信度的预测。尽管它可能看起来不是这样，但一旦应用 LS，它就会成为损失函数的重要组成部分，如果我们打算利用该技术，它应该在训练和验证之间持续存在。当我们在训练中应用 LS 时，我们正在有效地尝试通过添加正则化项来最小化损失函数。在验证期间将其丢弃会破坏首先包含它的目的：如果我们决定也不将 LS 应用于验证集，我们就是错误地期望刚刚接受过专门训练的学习者具有极高的信心（1/0标签），以防止对以前看不见的数据做出过于自信的预测。正确的做法是验证预测的可信度是否符合预期。这就是为什么验证集也应该在损失函数中存在正则化器，即也有平滑标签。如果我们决定不将 LS 也应用于验证集，我们就会错误地期望学习者具有极高的信心（1/0 标签），而该学习者刚刚接受过专门训练，不会对以前看不见的数据做出过于自信的预测。正确的做法是验证预测的可信度是否符合预期。这就是为什么验证集也应该在损失函数中存在正则化器，即也有平滑标签。如果我们决定不将 LS 也应用于验证集，我们就会错误地期望学习者具有极高的信心（1/0 标签），而该学习者刚刚接受过专门训练，不会对以前看不见的数据做出过于自信的预测。正确的做法是验证预测的可信度是否符合预期。这就是为什么验证集也应该在损失函数中存在正则化器，即也有平滑标签。随心所欲。这就是为什么验证集也应该在损失函数中存在正则化器，即也有平滑标签。随心所欲。这就是为什么验证集也应该在损失函数中存在正则化器，即也有平滑标签。

AFAIK 标签平滑在训练时计算损失时出现。验证期间没有损失计算。

标签平滑是一种应用于目标值的正则化技术，使模型可以很好地学习数据而不会过度拟合。验证不需要做标签平滑。但即使你做了，也不会有问题。