Π-model，Temproal ensembling方法来自文章TEMPORAL ENSEMBLING FOR SEMI-SUPERVISED LEARNINGhttps://arxiv.org/abs/1610.02242

ensemble模型通常要优于ensemble中的单一模型。当我们在训练某个单一的神经网络，特别是当该神经网络含有dropout，dropconnect或者随机深度等正则化方法时，训练总是集中在网络的一个特定子集上，因此完整的网络可以看作是我们训练的这些sub-network的一个隐式集成。

通过使用self-ensembling方法，本研究定义了Π−Model和temporal ensembing两种模型。

一、Π−Model

a. 模型示意图

b. 算法伪代码

c. 总结

需要注意的是，在Π−Model的训练过程中，无监督部分Loss的权重必须缓慢增长，刚开始的时候，模型训练的Loss必须以有标签数据的监督Loss为主，不然的话，网络会很快收敛得到一个无效的解而对分类预测任务无效。

训练开始的时候，无监督Loss的权重w(t)的初始值为0。

二、Temporal ensembling

a. 模型示意图

b. 算法过程

c. 总结

1). Temporal ensembling模型与Π−model之间的区别主要在于：1. 对于每个epoch的每个input而言，其数据增强与模型预测都只是进行一次（Π−Model进行两次）；2.计算无监督Loss的target向量都是基于前一次模型预测结果完成，而不用重复计算两次输出结果。

2). 与Π−Model相比而言，Temporal ensembling模型具有两个优点：1. 由于对每个input只进行一次预测，所以其运算速度要更快；2. 训练过程中，无监督部分的目标向量