Semi-supervised-learning

一个代码库跑遍主流半监督算法，少标注也能训好模型

开源 free 模型训练

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1591

维护状态较活跃

是否开源是

定价模式 free

项目预览

项目数据

分类模型训练

开发团队microsoft

所属国家

官网地址

GitHubhttps://github.com/microsoft/Semi-supervised-learning

定价模式free

价格说明开源免费，需自行部署

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型audio-classification,classification,computer-vision,deep-learning,low-resource,machine-learning,natural-language-processing,pytorch,semi-supervised-learning,semisupervised-learning,transformer

GitHub 星标★ 1591

30天Star增速

HF 下载量

上线时间2022-05-05 00:00:00

代码更新—

仓库体积—

本站数据更新—

维护状态较活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-10-17

浏览次数0

项目介绍

这是一个统一半监督学习代码库，对应 NeurIPS 2022 论文，旨在解决半监督学习领域算法实现分散、难以公平对比的问题。它把 FixMatch、FlexMatch、SoftMatch 等主流半监督算法整合到同一框架下，覆盖图像分类、音频分类、自然语言处理等任务，支持低资源场景。核心能力包括：统一的数据集加载与预处理接口、标准化的训练与评估流程、多种半监督算法的即插即用实现，以及可复现的基准测试配置。开发者可以用它快速验证新算法，或直接调用现成方法在自有标注数据稀缺时提升模型效果。项目基于 Python 和 PyTorch，代码结构清晰，适合研究者和工程师作为半监督学习的起点或对比基线。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

正在加载星标数据…

技术标签

使用教程

—

难度：进阶约 20 分钟部署方式：Docker 4 步

环境要求

Python 环境（用于 pip 安装 semilearn 包）
PyTorch（需与自身 CUDA 版本匹配）
已安装 Docker 与 NVIDIA 驱动
nvidia-docker2（需要在容器内使用 GPU 时）
可用的 CUDA 环境，官方 Dockerfile 使用 CUDA 11.6

安装与启动步骤

1安装 semilearn 包

通过 pip 安装 USB 提供的 Python 包 semilearn，适合想快速在自己数据上训练/测试支持的 SSL 算法的用户。
```
pip install semilearn
```
2检查 Docker 与 GPU

确认已正确安装 Docker 和 NVIDIA 驱动，容器内用 GPU 还需装 nvidia-docker2，并用 nvidia-smi 查看 CUDA 版本。
```
nvidia-smi
```
3克隆项目代码

把 USB 仓库克隆到本地，后续构建镜像与运行示例都基于该目录。
```
git clone https://github.com/microsoft/Semi-supervised-learning.git
```
4构建 Docker 镜像

进入仓库目录构建镜像并命名为 semilearn。构建前可按自己的 CUDA 版本修改 Dockerfile 的基础镜像 tag 与 --extra-index-url。
```
cd Semi-supervised-learning && docker build -t semilearn .
```

如何确认成功

docker build 成功结束后，docker images 中能看到 semilearn 镜像；pip install semilearn 无报错即安装成功。

常见问题

Q：CUDA 版本和默认的不一致怎么办？

A：README 说明可参照 Docker Hub 的 nvidia/cuda 标签修改 Dockerfile 基础镜像，并按 PyTorch 官网修改 --extra-index-url，默认使用的是 CUDA 11.6。

Q：容器里怎么使用 GPU？

A：需要先正确安装 nvidia-docker2，并在运行容器时加上 --gpu 参数（README 原文写法），否则容器内无法使用显卡。

Q：想先快速跑一个例子？

A：README 提供了两个 Colab 教程：Beginning example 和 Customize datasets，可以直接在浏览器中跟随运行，无需本地搭建环境。

Q：必须用 Docker 吗？

A：不必须。README 同时给出 pip install semilearn 的 Python 包安装方式和 Docker 镜像构建方式，可按自己的环境选择。

注意事项

Dockerfile 默认 CUDA 版本为 11.6，需按自身显卡环境调整基础镜像 tag 和 PyTorch 安装索引地址
在容器内使用 GPU 需提前安装 nvidia-docker2，并传入 --gpu 参数
README 未给出具体训练命令、数据集路径与超参数，实际训练请参考仓库 results 与 Colab 教程

核心亮点

统一实现了 FixMatch、FlexMatch、SoftMatch 等十余种主流半监督算法，方便公平对比
覆盖图像、音频、NLP 多模态任务，适用面广
提供标准化训练评估流程和可复现配置，降低实验门槛

不足之处

文档和教程偏研究向，工程化落地指引较少
部分算法依赖特定数据集配置，迁移到自有数据需一定改动

适用场景

标注数据极少时，用半监督方法提升图像分类准确率
学术研究中快速复现和对比不同半监督算法
工业场景下音频或文本低资源分类任务的原型验证

替代项目

USB、TorchSSL

上一篇：gpt-neox

下一篇：OpenThoughts-Agent